EP4602537A1 - Procede de prediction d'operation de maintenance et de recommandation de maintenance d'equipements de traitement d'eau - Google Patents

Procede de prediction d'operation de maintenance et de recommandation de maintenance d'equipements de traitement d'eau

Info

Publication number
EP4602537A1
EP4602537A1 EP23786081.2A EP23786081A EP4602537A1 EP 4602537 A1 EP4602537 A1 EP 4602537A1 EP 23786081 A EP23786081 A EP 23786081A EP 4602537 A1 EP4602537 A1 EP 4602537A1
Authority
EP
European Patent Office
Prior art keywords
membranes
indicator
kph
values
time series
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.)
Pending
Application number
EP23786081.2A
Other languages
German (de)
English (en)
Inventor
Claire Ventresque
Marie GAVERIAUX
Remi CUINGNET
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.)
Veolia Water Solutions and Technologies Support SAS
Original Assignee
Veolia Water Solutions and Technologies Support 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
Application filed by Veolia Water Solutions and Technologies Support SAS filed Critical Veolia Water Solutions and Technologies Support SAS
Publication of EP4602537A1 publication Critical patent/EP4602537A1/fr
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
    • B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
    • B01D65/102—Detection of leaks in membranes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D61/00—Processes of separation using semi-permeable membranes, e.g. dialysis, osmosis or ultrafiltration; Apparatus, accessories or auxiliary operations specially adapted therefor
    • B01D61/02—Reverse osmosis; Hyperfiltration ; Nanofiltration
    • B01D61/12—Controlling or regulating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
    • B01D65/02—Membrane cleaning or sterilisation ; Membrane regeneration
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/44—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis
    • C02F1/441—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis by reverse osmosis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2311/00—Details relating to membrane separation process operations and control
    • B01D2311/10—Temperature control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2311/00—Details relating to membrane separation process operations and control
    • B01D2311/14—Pressure control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2315/00—Details relating to the membrane module operation
    • B01D2315/20—Operation control schemes defined by a periodically repeated sequence comprising filtration cycles combined with cleaning or gas supply, e.g. aeration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2321/00—Details relating to membrane cleaning, regeneration, sterilization or to the prevention of fouling
    • B01D2321/40—Automatic control of cleaning processes
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
    • C02F2103/08—Seawater, e.g. for desalination
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2303/00—Specific treatment goals
    • C02F2303/14—Maintenance of water treatment installations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Definitions

  • the membranes become clogged during their operation and are therefore subject to regular cleaning. Cleaning is necessary to maintain good desalination or more generally filtration performance. In fact, a clogged membrane quickly loses its filtration performance.
  • the predictions are subject, depending on the calculations, to a difficulty in analyzing distinguishing the causes of the drop in performance linked to fouling or aging of the membrane. Other parameters may affect the interpretation of aging depending on system water flow pressures, such as incoming water flow pressure. These difficulties in analyzing the causes of performance drops make predictions difficult and do not allow the establishment of a reliable model.
  • An objective of the invention is to overcome the aforementioned drawbacks.
  • the invention aims in particular to propose a method for predicting membrane replacement dates which is automatic and which does not require the prediction model to depend on the hardware configuration or physical properties of the equipment used.
  • the normalization model is learned for each operating indicator by means of a regression on the data of the second time series relating to the operating indicator according to at least one first predefined external physical parameter from the first time series, said regression being configured over a smoothing duration to determine a set of values corresponding substantially to within a factor of minimums or maximums of the values of the second time series, said determined values corresponding to a membrane configuration(s ) new and/or clean and/or cleaned.
  • the training data does not include data characterizing the physical properties of the membranes.
  • ⁇ a target value corresponding to a conversion rate of the volume of feed water into a volume of treated water and/or
  • ⁇ a characteristic value of the permeability of the membrane to water.
  • the third time series corresponds to:
  • the regression is implemented by means of a first learning function comprising a machine learning model comprising parameters learned through the implementation of a loss function.
  • the regression is an expectile regression, the regression being carried out from an expectile loss function and an error function between the value of the operating indicator and a value estimated by the regression model for values of the functioning indicator considered in a given expectation of the distribution of values of the functioning indicator.
  • the regression is carried out on the data of the second series of data of the operating indicator according to a plurality of predefined external physical parameters of a plurality of first time series obtained by a plurality of sensors, said regression being carried out from a generalized additive model modeling functions whose parameters we seek to optimize by means of an expectile loss function between the value of the calculated operating indicator and the value of the operating indicator estimated in the range of values of the predefined expectile and for given values of external physical parameters, said regression further modeling an error function and said regression being executed over a so-called smoothing duration, said regression generating a set of values a cloud of points defining the intermediate indicator, said set of values corresponding to a new and/or clean and/or cleaned state of the first set of membranes.
  • the method comprises a comparison of at least one predicted value of a standardized indicator with at least one predefined threshold, said comparison making it possible to generate a cleaning date.
  • One benefit is to allow alerts to be generated for operators.
  • the invention relates to a system for treating a volume of feed water into a volume of water treated by filtration by means of a plurality of sets of membranes, said treatment system water comprising a water inlet to receive a flow of water entering at least one set of given membranes, a first outlet of filtered water, called permeate, and a second outlet of residual water, called concentrate, said system water treatment system further comprising a set of state sensors of external parameters including a water temperature sensor and at least one pressure sensor, said water treatment system comprising a data processing system the invention.
  • the system for treating a volume of feed water comprises a plurality of membranes organized according to a plurality of sets of membranes, each set of membranes defining a treatment stage of a volume of water entering and generating an outlet flow.
  • An advantage is that it allows configuring standardized indicator monitoring for subsets of a system.
  • the system comprises a composite indicator comprising different components relating to different standardized operating indicators of these different subsets.
  • the system for treating a volume of feed water comprises at least a second set of membranes arranged at the outlet of the first set of membranes, the concentrate of the first set of membranes defining the inlet of the second set of membranes.
  • the smoothing duration is chosen so as to correspond to a maximum value of an aging indicator of at least one membrane or a duration specific to its lifespan.
  • the estimation of the first operating indicator of the first set of membranes results:
  • the standardized indicators further include:
  • ⁇ A parameter relating to a first outlet flow representing the volume of water filtered at the outlet, called permeate, from the first set of membranes considered per unit of time and unit of membrane surface when a pressure is applied to said volume of water as an input and/or;
  • ⁇ A parameter relating to a second outlet flow representing the residual volume of water, called concentrate, at the outlet of the first set of membranes considered per unit of time and unit of membrane surface when a pressure is applied to said volume of water as an input and/or;
  • the standardized indicator characteristic of the conductivity of a volume of water entering or leaving at least a first set of membranes comprises:
  • the method includes deletion of raw data from at least one sensor when the acquired values are lower than a predefined threshold.
  • a first pre-training of the first learning function is carried out from a set of training data and a corrective seasonality parameter or temperature thresholds and a second training is carried out of the first learning function when defining the membrane sets, the number of membrane sets and the operating parameters during the smoothing duration.
  • Figure 1 a diagram including the different stages of an embodiment of the method of the invention
  • Figure 2 an example of representation of membrane fouling in a system comprising a series of successive cleanings and representing the effect of membrane aging over the long term;
  • Figure 3 an example of a system of the invention comprising a plurality of sensors and data processing means to generate standardized indicators according to the method of the invention
  • Figure 4 an example of a set of membranes modeling a stage treating an incoming flow and generating two output flows including the permeate and the concentrate;
  • Figure 5 an example of a water treatment system according to the invention comprising a plurality of treatment stages in which different sets of membranes are implemented;
  • Figure 6 an example of an evolution of an operating indicator of a set of membranes representing a first curve of evolution of the differential pressure of a set of membranes in which we note the seasonal effects and the trend of the evolution of aging;
  • Figure 7 a representation of the operating indicator, here the differential pressure, according to an expectation diagram making it possible to represent said operating indicator according to a physical parameter, here the temperature; we note the curve representing the envelope of the minimum values of the diagram making it possible to generate a set of corrective values used in the method of the invention;
  • the “data processing system” a system comprising the means necessary for carrying out the steps of the process, that is to say at least a calculator and a memory.
  • the system comprises:
  • this may be a computer configured to be a local server and;
  • ⁇ remote means such as at least one remote data server making it possible to execute steps of the process leading to the generation of standardized indicators and predicted dates of intervention on the factory.
  • the plant or the “water treatment system” all of the physical means making it possible to treat a volume of water and measure operating or environmental parameters.
  • the plant includes at least a set of dense spiral membranes, for example used for reverse osmosis applications.
  • a set of membranes is used to treat a volume of incoming water conveyed by means of a water inlet and generating at least two flows called “permeate” and "concentrate” conveyed by means of water outlets.
  • a water treatment system includes sensors and hydraulic means and the data processing system.
  • the hydraulic means include, depending on the configuration, valves, such as balancing valves, closing or stopping valves, regulating valves, possibly turbines or microturbines or any other equipment making it possible to control, regulate and route flows. fluids such as water.
  • the water treatment system also includes hydraulic equipment such as pumps, tanks, containers, filters, pipes and any other equipment necessary for the implementation of the plant.
  • a filtration pass is a treatment by filtration of a volume of water at a given characteristic operating pressure.
  • a filtration pass is a treatment by filtration of a volume of water at a given characteristic operating pressure.
  • at least two filtration passes are carried out.
  • Figure 5 represents an example of an architecture comprising different stages ETi, ET2 and ET3 implementing a plurality of sets of membranes ENSu, ENS12, ENS2, ENS3 arranged in different configurations in parallel or in series depending on the stage to which they belong.
  • 3 stages are in series and the first stage has two sets of membranes in parallel.
  • the flow rates of the concentrates Qc1, Qc2 are reinjected into the next stage.
  • the flow rates of the permeates Qp1, Qp2, Qp3 can be routed to other treatment stages or used directly.
  • the sensors may correspond to sensors measuring environmental data such as water temperature, water pressure, salinity of a volume of water or any other quality parameter of a volume of water.
  • Other sensors can be used to measure physical parameters of the factory, such as equipment consumption levels, incoming or outgoing flow, pressure difference, or even sensors detecting events.
  • a stage of the plant a sub-assembly of the plant formed of at least one set of membranes comprising a connection or a channel for receiving an incoming flow of water to be treated and two connections or two outlet channels generating two outlet flows: the permeate which corresponds to the treated flow having a salinity lower than the salinity of the incoming flow and the concentrate which corresponds to a flow of water whose salinity is at least equal to the flow water entering.
  • the data processing system of the invention comprises software means such as a calculator and a memory for executing a computer program implementing the steps of the method of the invention.
  • the computer program(s) comprise software instructions which, when executed, make it possible to implement the steps of the method of the invention.
  • the method of the invention is particularly suitable for generating standardized indicators of organic membranes, that is to say made from an organic polymer such as polyamide, called spiral “dense membranes”. These membranes are used in particular for reverse osmosis or nanofiltration applications. However, the invention is not limited to dense membranes.
  • the process of the invention relates to the field of membrane nanofiltration.
  • the process applies to membranes configured to separate molecules in a volume of a liquid, for example water or blood.
  • the process of the invention relates to the field of membrane ultrafiltration produced from dense membrane.
  • the invention will be described with regard to the application of reverse osmosis.
  • the method of the invention relates to any other field involving the use of membranes to separate particles or elements from a volume of a liquid.
  • Modelization Figure 2 represents a schematic example of the causes impacting the evolution of the state of one or more membranes.
  • the evolution of a characteristic indicator is represented on the diagram, namely the differential pressure DP.
  • the figure illustrates different causes producing an evolution of this indicator, including in particular:
  • Tr the intrinsic aging of the membrane degrading its physical properties over the long term here represented by the line denoted Tr and designating a trend of evolution of aging and finally;
  • ⁇ influences linked to external physical parameters including operational components linked to the architecture of the plant, operating variables, and environmental components linked to water quality and its temperature, for example.
  • Figure 2 therefore represents the differential pressure of a set of membranes on the ordinate and the time on the abscissa.
  • the line denoted BLNS represents the evolution of the differential pressure DP of a set of membranes as a function of external physical parameters.
  • the lines denoted Fo represent the evolution of the differential pressure DP linked to the fouling of the membranes and finally the line Tr designates the evolution of the differential pressure DP linked to the aging of the membranes. It is in particular this last component which makes it possible to establish a reliable predictive model which models the real aging of the membranes.
  • Figure 6 represents the values of the differential pressure DP defining the first operating indicator KPh.
  • the DP differential pressure values are recorded as raw data on a scale of several months or years. This graph allows to observe a large variation in the differential pressure DP over the years due to the influence of variations in water temperature over time. This influence gives a wave-like pattern to the data.
  • the operating indicator relating to the differential pressure DP increases from the first to the fifth year, or even the line Tr which designates the tendency of aging and/or fouling of the membranes. This tendency towards fouling is not visible during the operation, because the variations due to temperature are much greater than those due to irreversible fouling.
  • the data acquired by the sensors are recorded in a memory.
  • Data is acquired and recorded in the form of time series.
  • the data is therefore preferably time-stamped.
  • the method of the invention relates to a first step comprising reading the recorded data coming from the sensors.
  • the method of the invention may include, according to one embodiment, the preliminary step of acquiring the sensors.
  • the method of the invention is implemented by a computer or by a plurality of calculation units, it is not necessary for the method to include the prior acquisition step which can be separated from the implementation of the process of the invention since the latter can be carried out a posteriori within a certain period after the acquisitions.
  • values of external physical parameters at the output of the set of membranes are recorded and used by the method of the invention. These may be the values of external physical parameters of the permeate or the concentrate, the physical parameters being respectively denoted Tp, Qp, Cp, Pp for the permeate and denoted Te, Qc, Ce, Pc for the concentrate.
  • the method of the invention makes it possible to retain measured or calculated data from the second SERIE2 time series corresponding to the values of the operating indicators KPh over a time period called DA acquisition period.
  • the method of the invention comprises the exploitation of a single operating indicator, for example the first operating indicator KP.
  • the method of the invention is implemented to exploit a plurality of operating indicators, for example the four operating indicators mentioned previously: KPh, KPh, KPh, KPI4. According to different embodiments, combinations of these indicators are exploited, for example the first and third indicator KPh, KPh or other combinations.
  • KPh A designates the membrane operating indicator estimated by the loss function during the regression step and obtained with real environmental conditions obtained during acquisition, for example the temperature Ti, the pressure Pi and the flow Qi , etc.
  • KPho designates the membrane operating indicator obtained with reference environmental conditions obtained with reference operating parameters, for example temperature To, pressure Po and flow rate Qo, etc.
  • KPliAo designates the operating indicator of new or clean or cleaned membranes obtained with reference environmental conditions obtained with reference operating parameters, for example temperature To, pressure Po and flow rate Qo, etc.
  • KPhpi designates the membrane operation indicator predicted by a first prediction model trained from the normalized operation indicator, said prediction being a short-term prediction.
  • KPhp2 designates the membrane operation indicator predicted by a second prediction model trained from the normalized operation indicator, said prediction being a long-term prediction.
  • a first operating indicator KPh corresponds to the differential pressure denoted DP.
  • the differential pressure DP can be directly measured from at least one differential pressure sensor or a plurality of pressure sensors arranged upstream and downstream of the set of membranes.
  • the first KPh indicator can advantageously take the form of a SERIE2 time series.
  • Each calculated or measured value of the differential pressure DP is in this case associated with a date.
  • the date of each value of the operating indicator can be taken equal to the date of each operating parameter value of a first time series SERIE1 used in the calculation of the first operating indicator KPh.
  • a common clock can be used with the clock or clocks allowing time stamping of the other physical parameters measured in order to maintain date consistency between the first time series SERIE1 and the second time series SERIE2 .
  • the method of the invention makes it possible to generate an indicator KPIIA representing the equivalent differential pressure DP' which is a reconstituted indicator which corresponds to the differential pressure of the set of membranes when they are new or clean or cleaned by a cleaning operation .
  • This indicator is obtained for real conditions of measuring external physical parameters.
  • This indicator will then make it possible to obtain a standardized indicator KPho' giving a state of the membrane for reference environmental conditions.
  • An objective is to calculate the values of the first indicator KPh for different measurements of temperature Ti and the average flow rate Qn in order to estimate, thanks to a first normalization model learned MODNI, an evolution of the first intermediate indicator KPIIA.
  • the first MODNI normalization model is for example learned by means of a regression.
  • This first intermediate indicator KPIIA will then, thanks to the invention, allow a calculation of a first standardized indicator KPh' or KPI' restoring more reliably in particular the contribution of aging and fouling of the membranes.
  • An advantage of this first KPh' indicator is in particular to contribute to monitoring the longitudinal clogging of the set of membranes.
  • the method of the invention makes it possible to define a plurality of operating indicators ⁇ KPh ⁇ i[i ; k] and standardized operating indicators ⁇ KPh' ⁇ i[i ; k] associated providing information on the state of the membranes, particularly with regard to their clogging and their aging.
  • the method of the invention makes it possible to standardize the operating indicators ⁇ KP h ⁇ i[i ; k],
  • a second indicator KPh is defined by the operating parameter relating to a pressure of the incident flow Pf exerted on the first set of membranes ENSi, also called supply pressure Pf.
  • the pressure of the incident flow Pf can either be calculated from a model and measurements of physical parameters of a model, or directly measured from at least one pressure sensor arranged at the input of the first set of ENSi membranes.
  • the pressure of the incident flow Pf can be modeled according to a function f2 of the following environmental parameters: the temperature Ti, the concentration of the incoming flow Cf, the flow rate of the permeate flow Qp and the flow rate of the concentrate flow Qc from the first set of ENSi membranes, for example from a stage or a pass of the treatment plant comprising a first set of ENSi membranes.
  • other external physical parameters could be taken into account to calculate or model the influence of these parameters in the evolution of this indicator.
  • the example described cites 4 parameters retained as influencing the second indicator, however other environmental parameters can also be taken into account in the context of this invention.
  • the invention makes it possible to take into account at least one parameter which influences the evolution of the second indicator.
  • the method of the invention therefore makes it possible, from the measurements of temperatures Ti, the concentration Cf, the flow rate of the permeate Qp and the flow rate of the flow of the concentrate Qc of the first set of ENSi membranes to obtain a second operating indicator KPh.
  • the pressure of the incoming flow Pf can be directly measured from a pressure sensor or a plurality of pressure sensors arranged upstream of the first set of ENSi membranes.
  • the second KPh indicator can advantageously take the form of a second SERIE2 time series.
  • SERIE2 time series corresponding to an operating indicator
  • Each calculated or measured value of the incoming flow pressure Pf is in this case associated with a date.
  • the date of each value of the operating indicator can be taken equal to the date of each operating parameter value of a first time series SERIE1 used in the calculation of the second operating indicator KPI2.
  • a common clock can be used with that allowing time stamping of the other physical parameters measured in order to maintain consistency of dates between the first series time series SERIE1 and the second time series SERIE2.
  • the method of the invention makes it possible to generate an intermediate indicator KPLA' representing the equivalent incoming flow pressure Pf' which is a reconstituted indicator whose value corresponds to the pressure of the incoming flow in the set of membranes when they are new or clean or cleaned by a cleaning operation.
  • One objective is to calculate the values of the second operating indicator KPI2 for different measurements of external physical parameters in order to estimate, using a second learned normalization model MODN2, an evolution of an intermediate indicator KPLA.
  • the second normalization model MODN2 is for example learned by means of a regression.
  • This intermediate indicator KPLA then makes it possible to calculate a standardized indicator KPh' or KPI20' which more reliably restores in particular the contribution of aging and fouling of the membranes.
  • An advantage of this second KPh indicator is to contribute to monitoring the energy consumption of the set of ENS1 membranes.
  • a third indicator KPh is defined by the operating parameter relating to a flow rate of the permeate flow Qp at the outlet of the first set of membranes ENS1.
  • the flow rate of the permeate flow Qp can either be calculated from a model and measurements of physical parameters of the model, or directly measured from a sensor arranged at the outlet, at the permeate level, of the first set of membranes ENS1 .
  • This indicator can also be represented by the specific flow SP. It represents the volume of water produced per unit time and per unit area of the membrane when a given pressure is applied to the feed water. It is an indicator of the membrane’s ability to produce a volume of water at the outlet. When the membrane ages or degrades, the SP specific flux tends to decrease. The decrease in specific flux SP is an indicator of fouling or deterioration of the membrane material.
  • this indicator like that corresponding to the flow rate of the permeate flow Qp is also influenced by the temperature, the salinity of the water and the temperature of the water. According to other examples, other external physical parameters could be taken into account as factors influencing the evolution of this indicator.
  • the flow rate of the permeate flow Qp can be modeled according to a function fs of the following environmental parameters: the temperature Ti, the concentration of the incoming flow Cf, the flow rate of the permeate flow Qp and the flow rate of the concentrate flow Qc of the first set of membranes ENS1, for example of a stage or a pass of the treatment plant comprising a first set of membranes ENS1.
  • other external physical variables can be taken into account in the modeling of the KPI3.
  • the example described cites 4 parameters retained as influencing the third indicator, however other environmental parameters can also be taken into account in the context of this invention.
  • the invention makes it possible to take into account at least one parameter which influences the evolution of the third indicator.
  • the method of the invention therefore makes it possible, from the temperature measurements Ti, the concentration of the incoming flow Cf, the flow rate of the permeate flow Qp and the flow rate of the concentrate flow Qc of the first set of ENSi membranes to obtain a third KPh operation indicator.
  • the flow rate of the permeate flow Qp can be directly measured from at least one sensor of a device arranged downstream of the first set of ENSi membranes.
  • a common clock can be used with that allowing time stamping of the other physical parameters measured in order to maintain consistency of dates between the first time series SERIE1 and the second time series SERIE2.
  • the method of the invention makes it possible to generate a third intermediate indicator KPISA' representing the flow rate of the flow of the permeate Qp equivalent Qp' which is a reconstituted indicator whose value corresponds to the flow of the permeate Qp entering the set of membranes when they are new or clean or cleaned by a cleaning operation.
  • An objective is to calculate the values of the third operating indicator KPh for different measurements of external physical parameters in order to estimate by a third standardization model learned MODN3 an evolution of an intermediate indicator KPISA.
  • the third normalization model MODNS is, for example, learned using regression.
  • This intermediate indicator KPhA then makes it possible to calculate a standardized indicator KPh' or KPho' which more reliably restores in particular the contribution of aging and fouling of the membranes.
  • the example described cites 4 parameters retained as influencing the fourth indicator, however other environmental parameters can also be taken into account in the context of this invention.
  • the invention makes it possible to take into account at least one parameter which influences the evolution of the fourth indicator.
  • the method of the invention therefore makes it possible, from the temperature measurements Ti, the concentration of the incoming flow Cf, the flow rate of the permeate flow Qp and the flow rate of the concentrate flow Qc of the first set of ENSi membranes to obtain a fourth KPk operating indicator
  • the passage of salt into the SPp permeate can be directly measured from at least one sensor or a device arranged downstream of the first set of ENSi membranes.
  • the fourth indicator KPk can advantageously take the form of a second SERIE2 time series. Each calculated or measured value of the salt passage in the permeate SPp is in this case associated with a date. The date of each value of the fourth operating indicator KPk can be taken equal to the date of each operating parameter value of a first time series SERIE1 used in the calculation of the fourth operating indicator KPk.
  • the method of the invention makes it possible to generate a fourth intermediate indicator KPUA' representing the passage of salt in the equivalent permeate SPp' which is a reconstituted indicator whose value corresponds to the passage of salt Sp obtained by the set of membranes when they are new or clean or cleaned by a cleaning operation.
  • An objective is to calculate the values of the fourth operating indicator KPk for different measurements of the external physical parameters in order to estimate, using a fourth learned normalization model MODN4, an evolution of an intermediate indicator KPUA.
  • the fourth normalization model MODN4 is for example learned by means of regression.
  • This intermediate indicator KPUA then makes it possible to calculate a standardized indicator KPk' or KPI40' which more reliably restores in particular the contribution of aging and fouling of the membranes.
  • An advantage of this fourth KPk indicator is to contribute to monitoring the quality of the potable water produced by the set of ENSi membranes.
  • the measured data of the first SERIEi time series and the second SERIE2 time series are recorded in a memory of the system. This step is denoted ENR1 on Figure 1.
  • a fifth operating indicator KPI5 corresponds to the concentration of the permeate or concentrate. This last indicator can be a function of the temperature Ti and the differential pressure DP.
  • Normalization includes two steps: a first step consists of automatically defining, using a learning algorithm, the normalization function or the normalization model, denoted MODNI, from a history of data from new, clean or cleaned membranes and a second step consists of applying the learned normalization model MODNI to real recorded data to generate an intermediate indicator KPLA and a normalized indicator KPh' or KPho'. This last step is denoted GENA in Figure 1.
  • An initial training allows the creation of a MODNI standardization model making it possible to generate a standardized indicator to predict replacements and/or cleaning of membranes.
  • the training data is preferentially selected at the beginning of the life cycle of a membrane or a set of membranes.
  • a second training allows the creation of a MODNI normalization model making it possible to generate a standardized indicator to predict membrane replacements more specifically. In this case, we seek to obtain a fouling indicator.
  • the training data is not necessarily selected in the first phase of the life cycle of a membrane or set of membranes.
  • the aim is to train the normalization model over periods comprising several maintenance operations such as cleaning a membrane or a set of membranes.
  • This second learning makes it possible to generate an indicator making it possible to provide an indication of clogging or fouling of a set of membranes independently of their replacement.
  • Standardization includes modeling indicators according to operational environmental conditions or reference environmental conditions and according to the state of the membranes depending on whether they are considered in their operational state or in their new or clean or cleaned state.
  • another KPLAO component can be added. Adding a constant can also be done according to another embodiment.
  • a first step of calculating an intermediate operating indicator KPLA is carried out.
  • This intermediate indicator is materialized by a representation of a CREFI reference curve.
  • This CREFI reference curve includes all the points of the new point cloud produced using the MODNI normalization model.
  • This cloud of points can be represented in Figure 7 in the expectation diagram, here represented with a single external physical parameter, the temperature, or in the form of a second intermediate time series SERIE2A in Figure 8.
  • This series intermediate time is denoted SERIE2A, these are the points of the CREF reference curve used to obtain this curve.
  • the first indicator KPh is associated with a first reference curve CREFI
  • the second indicator KPI2 is associated with a second reference curve CREF2
  • the third indicator KPh is associated with a third reference curve CREFS
  • the fourth indicator KPk is associated with a fourth CREIFA reference curve.
  • the reference curve CREF OR the second intermediate time series SERIE2A is obtained thanks to an intermediate indicator obtained thanks to the application of a normalization model, said model being generated thanks to a regression operation.
  • the regression operation consists of obtaining values of a parameterization of a normalization model for a second SERIE2 time series of an operating indicator KPh by considering the influence of a set of external physical parameters considered said indicator of functioning.
  • Each intermediate operating indicator is produced through the application of its own normalization model trained according to a given regression. To this end, we considers the influences of external physical parameters used in the modeling of each external indicator, particularly in the functions fi, f2, fs, f4. We recall that these functions fi, f2, fs, f4 may or may not be explicit.
  • An advantage of a GAM model is that it allows a regression to be carried out, regardless of the number of external physical parameters.
  • An advantage is therefore to be able to take into account a modeling in which an operating indicator KPh is possibly influenced by several external physical parameters, for example between 2 and 5 external physical parameters.
  • Another advantage of using a GAM model is to dispense with the type of function linking each operating indicator KPh with the external physical parameters PARA, regardless of the relationships between the indicator and the external physical parameters. Indeed, whether the relationships are linear or not, the GAM model applies.
  • the regression is preferably carried out according to a so-called smoothing duration DL which takes into account data from the start of the life of the membranes.
  • the normalization model was learned over the DL smoothing period.
  • the DL smoothing period corresponds to the learning period in which the regression makes it possible to calibrate the normalization model.
  • the period/frequency of cleanings can be integrated into this learning so that the training data includes several cleaning cycles.
  • Figure 8 illustrates a first curve representing the values of the first indicator KPh and a second curve representing the values of the first indicator KPLA, said values being obtained with the normalization model learned.
  • the third time series SERIE3 is generated by applying operations between the second time series SERIE2 and the time series SERIE2A corresponding to the corrected values produced by the learned normalization model, for example by subtracting them.
  • the standardized indicator KPh' represents the term associated with the first indicator and linked to wear and clogging of the membranes of the first set of ENSi membranes.
  • the standardized operating indicator KP' is assumed to be independent of operating conditions and environmental conditions.
  • the third time series SERIE3 can correspond to a time series resulting from the subtraction of the two series SERIE2 and SERIE2A to which a KPho component has been added under average or standard environmental conditions. This last component also takes the form of a time series.
  • KPho' KPh - KPliA + KP Ao
  • Figure 9 represents the first normalized indicator KPho' in the form of such a 3rd time series SERIE3 obtained according to the 2nd example, that is to say obtained by subtracting the values of the corrected parameter KPIIA from the series SERIE2A to the of the KPh values of the second SERIE2 time series and by adding the KPLAO values of the first indicator corresponding to a state of the new and/or clean and/or cleaned membranes calculated with standard environmental conditions, that is to say with a temperature standard of operation To and a standard average flow of operation Qno.
  • an advantage of generating a standardized indicator is to restore a monitoring indicator independent of variables such as the water temperature Ti, the feed flow Qf, the inlet pressure Pf and the input conductivity Cf.
  • Such an indicator has the advantage of varying mainly depending on the state of wear and clogging, which is what we seek to obtain to prevent replacement and cleaning of the membranes.
  • these data from the standardized operating indicator KPho' can be displayed so as to produce an indicator evolving over time.
  • An AFFi display is shown in Figure 3 to illustrate an example of an operating console that can be used by an operator.
  • An advantage of timestamping events is to learn a machine learning model by taking into account maintenance events explaining the discontinuity of the raw data acquired and recorded. This is particularly relevant in the case of long-term operation which aims to measure the evolution of the standardized operating indicator over a long period.
  • this short-term and/or long-term prediction data can be displayed so as to produce an indicator that evolves over time and makes it possible to plan the maintenance operations to be carried out.
  • An AFF1 display is shown in Figure 3 to illustrate an example of an operating console that can be used by an operator.
  • this data can be displayed so as to produce an indicator that evolves over time and makes it possible to plan the maintenance operations to be carried out.
  • the invention also relates to a system for treating a volume of feed water into a volume of treated water by filtration using a plurality of sets of membranes.
  • the water treatment system comprises a data processing system comprising the material means for carrying out the steps of the method of the invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Environmental & Geological Engineering (AREA)
  • Organic Chemistry (AREA)
  • Hydrology & Water Resources (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Nanotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

Procédé de traitement automatisé caractérisant l'état d'une pluralité de membranes d'osmose inverse comprenant : ▪ Acquisition (ACQ1) d'un premier ensemble de données (DATA1) provenant de capteurs (20, 21, 22) agencés à proximité de membranes (ENS1), lesdites membranes recevant un débit d'eau entrant (Qf) et générant un premier débit d'eau sortant (Qp), dit perméat, et un second débit d'eau sortant (Qc), dit concentrat; ▪ Estimation d'un premier indicateur (KPI1) de fonctionnement (KPI1) du premier ensemble de membranes (ENS1); ▪ Horodatage d'évènements (EVNi) relatifs à la maintenance des ensembles de membranes; ▪ Génération (GENA) d'un indicateur de fonctionnement intermédiaire (KPIiA) définissant un nuage de points (SERIE2A) correspondant à des valeurs de l'indicateur de fonctionnement (KPIi) pour lesquelles le premier ensemble de membranes (ENS1) est considéré comme neuf et/ou propre; ▪ Génération (GEN1) d'un indicateur de fonctionnement normalisé (KPIi', KPIi0') caractérisant l'état de membranes pour la filtration d'un volume de liquide.

Description

PROCEDE DE PREDICTION D’OPERATION DE MAINTENANCE ET DE RECOMMANDATION DE MAINTENANCE D’EQUIPEMENTS DE TRAITEMENT D’EAU
Domaine de l’invention
Le domaine de l’invention est celui des procédés et systèmes de prédiction et de recommandation d’opérations de maintenance d’une usine de production ou traitement d’eau, par exemple de dessalement d’eau de mer et plus généralement de filtration d’un volume d’eau à partir de membranes denses. Plus particulièrement, l’invention se rapporte aux procédés de prédiction des dates de maintenance et/ou de remplacement d’ensembles de membranes utilisées pour le traitement d’eau. Le domaine de l’invention concerne les méthodes basées sur des algorithmes d’intelligence artificielle visant à générer un indicateur normalisé afin de prédire des dates de maintenance et/ou de remplacement indépendamment notamment des données matérielles ou d’architecture des ensembles utilisés.
État de la technique
Il existe différentes techniques permettant de prédire la maintenance et/ou de maintenir des équipements tels que des membranes, notamment d’osmose inverse, dans des usines de dessalement d’eau de mer ou d’autres usines exploitant de telles membranes. Ces prédictions sont nécessaires au bon fonctionnement de l’usine et au maintien des performances du système. Les prédictions sont difficiles à réaliser notamment du fait du cycle de vie des membranes. Ce dernier cycle de vie est ponctué d’évènements externes liés aux conditions opérationnelles et est influencé par des conditions environnementales telles que la température, la salinité de l’eau, etc. Ces prédictions sont d’autant plus difficiles à réaliser qu’elles dépendent également des propriétés intrinsèques de la membrane qui ne sont pas toujours connues de l’exploitant.
En ce qui concerne les conditions opérationnelles, les membranes s’encrassent au cours de leur exploitation et sont donc soumises à des nettoyages réguliers. Le nettoyage est nécessaire pour conserver de bonnes performances de dessalement ou plus généralement de filtration. En effet, une membrane encrassée perd rapidement ses performances de filtration. Ainsi, les prédictions sont soumises, selon les calculs, à une difficulté d’analyse de la distinction des causes de la baisse de performance liée à l’encrassement ou au vieillissement de la membrane. D’autres paramètres peuvent affecter l’interprétation du vieillissement selon les pressions des débits d’eau du système, telle que la pression du débit d’eau entrant. Ces difficultés d’analyse des causes des baisses de performances rendent difficiles les prédictions et ne permettent pas d’établir un modèle fiable.
En ce qui concerne les conditions environnementales, on note que les performances dépendent fortement des variations de certains paramètres tels que la température ou la concentration du volume d’eau entrant dans le système. Là encore, les systèmes de prédiction actuels rendent difficilement compte d’une distinction des causes de la baisse de performance du fait des variations de température causées par les effets d’une saisonnalité ou du fait d’un vieillissement des membranes.
Par ailleurs, le vieillissement des membranes dépend non seulement de leur configuration d’exploitation, des paramètres environnementaux, mais également de leurs propriétés intrinsèques. Chaque membrane a des propriétés physiques assurant des performances spécifiques dans des conditions données. Il peut arriver que de nouvelles membranes installées après un remplacement d’anciennes membranes n’aient pas les mêmes propriétés intrinsèques du fait, par exemple, d’un changement de fournisseur de membranes ou du fait de la mise en place d’une nouvelle génération de membranes. Ces changements peuvent affecter les modèles de prédiction se basant sur des données de constructeurs. Les systèmes actuels trouvent donc des limitations des modèles utilisés lors d’un changement d’un type de membrane, voire d’un étage de fonctionnement complet.
Enfin, la configuration d’exploitation peut elle-même affecter les performances selon l’importance du système, le nombre d’étages de traitement, des circuits d’acheminement et de retraitement des concentrats, du taux de conversion souhaité du système, etc.
Une difficulté de prédire le vieillissement d’un système tel qu’un ensemble de membranes ou encore d’une pluralité d’étages formés de différents ensembles de membranes provient de la grande hétérogénéité des composantes influant sur la durée de vie des membranes et donc sur les causes multifactorielles de ces composantes. En effet, les propriétés intrinsèques des membranes, la qualité de l’eau, la température, la durée d’exploitation des membranes et la configuration d’utilisation incluant les nettoyages durant le cycle de vie des membranes sont des paramètres influant de différentes manières sur la durée de vie des membranes.
Ainsi, les systèmes de prédiction actuels trouvent des limitations dans leur fiabilité du fait qu’il est nécessaire de reconfigurer le modèle d’entraînement lors de certains changements de configurations d’exploitation ou de certains changements matériels. En effet, les spécifications des membranes remplaçant d’anciennes membranes ne sont pas toujours décrites de manière homogène et nécessitent de réaliser des tests et des mesures pour reconfigurer le modèle de prédiction.
Un objectif de l’invention est de surmonter les inconvénients précités. L’invention vise à notamment à proposer un procédé de prédiction des dates de remplacements des membranes qui soit automatique et qui ne nécessite pas de faire dépendre le modèle de prédiction de la configuration matérielle ou de propriétés physiques du matériel utilisé.
Afin de résoudre les problèmes persistants dans les modélisations de l’art antérieur, le procédé de l’invention vise à normaliser certains indicateurs permettant de prévoir les dates de remplacement et/ou de nettoyage des membranes indépendamment des conditions opérationnelles ou des conditions environnementales.
Résumé de l’invention
Selon un aspect l’invention concerne un procédé de traitement automatisé de données caractérisant l’état d’une pluralité de membranes pour la filtration d’un volume de liquide, ledit procédé comprenant :
■ réception d’un premier ensemble de données provenant de capteurs d’état agencés au sein ou à proximité d’un premier ensemble de membranes, ledit ensemble de membranes recevant un débit d’eau entrant et générant un premier débit d’eau sortant, dit perméat, et un second débit d’eau sortant, dit concentrât, ledit premier ensemble de données se rapportant à des paramètres physiques externes, lesdites acquisitions de données étant réalisées selon une pluralité de premières séries temporelles de données émises par chaque capteur à des fréquences prédéfinies ; ■ Détermination d’au moins un indicateur de fonctionnement du premier ensemble de membranes, ledit indicateur de fonctionnement définissant une seconde série temporelle de données calculées ou estimées ;
■ Enregistrement des premières et secondes séries temporelles de données sur une durée d’acquisition donnée, chaque série temporelle de données définissant un nuage de points ;
■ Génération d’un indicateur de fonctionnement intermédiaire définissant un nuage de points correspondant à des valeurs de l’indicateur de fonctionnement pour lesquelles le premier ensemble de membranes est considéré comme neuf et/ou propre et/ou nettoyé, lesdites valeurs de l’indicateur de fonctionnement intermédiaire étant produites par l’application d’un modèle de normalisation appris ;
■ Génération d’un indicateur de fonctionnement normalisé caractérisant l’état d’une pluralité de membranes pour la filtration d’un volume de liquide, ledit état caractérisant l’encrassement et/ou le vieillissement de l’état des membranes indépendamment des variations des conditions environnementales, ledit indicateur normalisé définissant une troisième série temporelle obtenue à partir de l’indicateur de fonctionnement et de l’indicateur de fonctionnement intermédiaire.
Un avantage est de générer un indicateur normalisé restituant un état des membranes relatif à leur vieillissement et à leur colmatage indépendamment d’une connaissance à priori des propriétés physiques des membranes. Enfin l’indicateur permet de s’affranchir des variations de paramètres environnementaux. Un tel indicateur permet de suivre l’évolution de l’état des membranes et d’anticiper des opérations de maintenance au meilleur moment.
Selon un mode de réalisation, les valeurs de l’indicateur de fonctionnement intermédiaire sont produites par l’application d’un modèle de normalisation appris et par les valeurs de l’indicateur de fonctionnement. Les valeurs de l’indicateur de fonctionnement pour lesquelles le premier ensemble de membranes est considéré comme neuf et/ou propre et/ou nettoyé sont possiblement des valeurs calculées d’une fonction ou mesurées à partir des capteurs ou des valeurs corrigées par le modèle de normalisation appris. Dans ce dernier cas, de nouvelles valeurs de l’indicateur de fonctionnement sont générées pour produire l’indicateur de fonctionnement intermédiaire.
Selon un mode de réalisation, le modèle de normalisation est appris pour chaque indicateur de fonctionnement au moyen d’une régression sur les données de la seconde série temporelle relatives à l’indicateur de fonctionnement selon au moins un premier paramètre physique externe prédéfini issu de la première série temporelle, ladite régression étant configurée sur une durée de lissage pour déterminer un ensemble de valeurs correspondant sensiblement à un facteur près à des minimums ou des maximums des valeurs de la seconde série temporelle, lesdites valeurs déterminées correspondant à une configuration de membrane(s) neuve(s) et/ou propre(s) et/ou nettoyée(s).
Selon un mode de réalisation, le modèle de normalisation est appris pour chaque indicateur de fonctionnement à partir d’un ensemble de données d’entrainement dudit indicateur de fonctionnement sur une période de lissage comportant au moins une opération de maintenance et/ ou remplacement sur ledit premier ensemble de membranes.
Selon un mode de réalisation, les données d’entrainement ne comprennent pas de données caractérisant les propriétés physiques des membranes.
Selon un mode de réalisation, la détermination de l’indicateur de fonctionnement comporte la détermination d’un premier indicateur de fonctionnement définissant une pression différentielle entre l’entrée et une sortie de l’ensemble de membranes et représentée sous la forme d’une seconde série temporelle de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de de débit et une mesure de température, lesdits paramètres physiques externes étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire du premier indicateur de fonctionnement à partir de la régression réalisée sur les valeurs de la pression différentielle. Selon un mode de réalisation, la détermination de l’indicateur de fonctionnement comporte la détermination d’un second indicateur de fonctionnement définissant une pression du flux entrant dans le premier ensemble de membranes et représenté sous la forme d’une seconde série temporelle de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de la température, une mesure de la concentration du flux entrant dans le premier ensemble de membranes, le débit du flux du perméat et le débit du flux du concentrât du premier ensemble de membranes, lesdits paramètres physiques externes étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire du second indicateur de fonctionnement à partir de la régression réalisée sur les valeurs de la pression du flux entrant dans le premier ensemble de membranes.
Selon un mode de réalisation, la détermination de l’indicateur de fonctionnement comporte la détermination d’un troisième indicateur de fonctionnement définissant un débit du flux du perméat en sortie du premier ensemble de membranes et représentée sous la forme d’une seconde série temporelle de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de la température, une mesure de la concentration du flux entrant dans le premier ensemble de membranes, le débit du flux du perméat et le débit du flux du concentrât du premier ensemble de membranes, lesdits paramètres physiques externes étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire du troisième indicateur de fonctionnement à partir de la régression réalisée sur les valeurs du débit du flux du perméat en sortie du premier ensemble de membranes.
Selon un mode de réalisation, la détermination de l’indicateur de fonctionnement comporte la détermination d’un quatrième indicateur de fonctionnement définissant un passage en sel dans le perméat en sortie du premier ensemble de membranes et représentée sous la forme d’une seconde série temporelle de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de la température, une mesure de la concentration du flux entrant dans le premier ensemble de membranes, le débit du flux du perméat et le débit du flux du concentrât du premier ensemble de membranes, lesdits paramètres physiques externes étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire du quatrième indicateur de fonctionnement à partir de la régression réalisée sur les valeurs du passage en sel dans le perméat en sortie du premier ensemble de membranes.
Selon un mode de réalisation, le premier ensemble de données se rapporte à des paramètres physiques externes comportant :
■ une mesure de débit entrant, du débit du perméat et/ou du débit du concentrât et/ou
■ une mesure de la conductivité d’un volume d’eau et/ou ;
■ une mesure d’une quantité de carbone organique totale et/ou ;
■ une valeur cible correspondant à un taux de conversion du volume d’eau d’alimentation en un volume d’eau traité et/ou ;
■ une valeur caractéristique du flux entrant, également appelé « flux de perméation » et/ou ;
■ une valeur caractéristique de la perméabilité de la membrane à l’eau.
Selon un mode de réalisation, la troisième série temporelle correspond :
■ à la série temporelle obtenue en soustrayant la série temporelle correspondant aux valeurs corrigées produites par le modèle de normalisation appris à la seconde série temporelle et/ou ;
■ à la série temporelle obtenue en soustrayant la série temporelle correspondant aux valeurs corrigées produites par le modèle de normalisation appris à la seconde série temporelle et à laquelle a été ajoutée une composante de référence correspondante à une série de temporelle de l’indicateur de fonctionnement correspondant un état des membranes neuf et/ou propre et/ou nettoyé , ladite composante étant calculée dans des conditions environnementales moyennes ou standard.
Selon un mode de réalisation, la régression sur l’indicateur de fonctionnement est réalisée selon une pluralité de paramètres physiques externes dont dépend l’indicateur de fonctionnement.
Selon un mode de réalisation, la régression est mise en œuvre au moyen d’une première fonction apprenante comportant un modèle d’apprentissage machine comportant des paramètres appris grâce à la mise en œuvre d’une fonction de perte. Selon un mode de réalisation, la régression est une régression d’expectile, la régression étant réalisée à partir d’une fonction de perte d’expectile et une fonction d’erreur entre la valeur de l’indicateur de fonctionnement et une valeur estimée par le modèle de régression pour des valeurs de l’indicateur de fonctionnement considérées dans un expectile donné de la distribution de valeurs de l’indicateur de fonctionnement. Un avantage est de permettre de déterminer les valeurs de l’indicateur de fonctionnement pour lesquelles l’état des membranes est soit neuf, soit propre, soit nettoyé.
Selon un mode de réalisation, la régression est effectuée sur les données de la seconde série de données de l’indicateur de fonctionnement selon une pluralité de paramètres physiques externes prédéfinis d’une pluralité de premières séries temporelles obtenues par une pluralité de capteurs, ladite régression étant réalisée à partir d’un modèle additif généralisé modélisant des fonctions dont on cherche à optimiser les paramètres au moyen d’une fonction de perte d’expectile entre la valeur de l’indicateur de fonctionnement calculé et la valeur de l’indicateur de fonctionnement estimé dans la gamme de valeurs de l’expectile prédéfini et pour des valeurs de paramètres physiques externes données, ladite régression modélisant en outre une fonction d’erreur et ladite régression étant exécutée sur une durée dite de lissage, ladite régression générant un ensemble de valeurs d’un nuage de points définissant l’indicateur intermédiaire, ledit ensemble de valeurs correspondant à un état neuf et/ou propre et/ou nettoyé du premier ensemble de membranes.
Selon un mode de réalisation, la durée de lissage est déterminée de sorte à comprendre une pluralité de marqueurs d’évènements relatifs à la maintenance des ensembles de membranes, ladite durée de lissage étant inférieure à la durée d’acquisition.
Selon un mode de réalisation, le procédé comprend un horodatage d’évènements relatifs à la maintenance des ensembles de membranes, lesdits évènements correspondant à des nettoyages et/ou des remplacements, chaque horodatage étant réalisé selon une référence temporelle marquée au sein de la durée d’acquisition. Un avantage est de permettre la prise en compte des opérations de maintenance dans les entraînements des fonctions apprenantes. Selon un mode de réalisation, le procédé comprend la génération de valeurs d’un indicateur de fonctionnement prédit par application d’une seconde fonction apprenante entrainée à partir des valeurs de l’indicateur de fonctionnement normalisé correspondant à la troisième série temporelle considérée sur une durée de prédiction, ladite seconde fonction apprenante générant des données prédites d’évolution de l’indicateur normalisé. Un avantage est d’anticiper les opérations de maintenance visant à nettoyer les membranes.
Selon un mode de réalisation, le procédé comprend une prédiction d’un ensemble de valeurs de chaque indicateur normalisé, les données d’entraînement étant sélectionnées entre les deux derniers horodatages d’évènements associés respectivement à deux nettoyages successifs, un nouvel entrainement de la seconde fonction apprenante étant déclenché après chaque nouvel évènement associé à un nettoyage. Un intérêt est de créer un ensemble de données d’entrainement non affecté par les opérations de maintenance afin d’obtenir uniquement l’évolution liée à l’état des membranes.
Selon un mode de réalisation, le procédé comprend une comparaison d’au moins une valeur prédite d’un indicateur normalisé avec au moins un seuil prédéfini, ladite comparaison permettant de générer une date de nettoyage. Un intérêt est de permettre de générer des alertes à des opérateurs.
Selon un mode de réalisation, le seuil prédéfini est un seuil variable dont la valeur est générée par l’exécution d’une fonction dépendante de paramètres prédéfinis.
Selon un mode de réalisation, la seconde fonction apprenante est une fonction mettant en œuvre un second modèle additif généralisé.
Selon un mode de réalisation, le procédé comprend un calcul d’un indice de vieillissement d’un ensemble de membranes à partir d’une troisième fonction apprenante, ladite troisième fonction apprenante comportant un ensemble de données d’entraînement comportant les valeurs extraites du premier ensemble de données utilisées pour estimer l’indicateur considéré, les données d’entrainement étant sélectionnées sur la période d’acquisition et prenant en compte les horodatages des évènements survenus pendant la période d’acquisition. L’analyse de l’indice de vieillissement permet de déterminer une date de remplacement d’une membrane. Selon un mode de réalisation, la troisième fonction apprenante est un réseau de neurones récurrent comportant une fonction de régression basée sur une méthode autorégressive.
Selon un autre aspect, l’invention concerne un système de traitement de données comportant un calculateur, une mémoire, une horloge et une interface de communication pour recevoir des données sous la forme de série temporelle, ledit système de traitement de données comportant une interface de communication pour transmettre les données vers un serveur, ledit système de traitement de données comportant le serveur pour réaliser des étapes de calculs d’un indicateur de fonctionnement normalisé selon le procédé de l’invention.
Selon un mode de réalisation, le système comprend un afficheur pour générer en temps réel une représentation d’au moins un indicateur normalisé. Un avantage est de permettre de suivre l’évolution de l’indicateur normalisé en temps réel.
Selon un autre aspect, l’invention concerne un système pour le traitement d’un volume d’eau d’alimentation en un volume d’eau traitée par filtration aux moyens d’une pluralité d’ensembles de membranes, ledit système de traitement d’eau comportant une entrée d’eau pour recevoir un débit d’eau entrant dans au moins un ensemble de membranes donné, une première sortie d’eau filtrée, dite perméat, et une seconde sortie d’eau résiduelle, dite concentrât, ledit système de traitement d’eau comportant en outre un ensemble de capteurs d’état de paramètres externes dont un capteur en température de l’eau et au moins un capteur de pression, ledit système de traitement d’eau comportant un système de traitement de données de l’invention.
Selon un mode de réalisation, le système pour le traitement d’un volume d’eau d’alimentation comprend une pluralité de membranes organisée selon une pluralité d’ensembles de membranes, chaque ensemble de membranes définissant un étage de traitement d’un volume d’eau en entrée et générant un flux de sortie. Un avantage est de permettre de configurer un contrôle d’indicateurs normalisés pour des sous-ensembles d’un système. Selon un mode de réalisation, le système comprend un indicateur composite comportant différentes composantes relatives à différents indicateurs de fonctionnement normalisés de ces différents sous-ensembles. Selon un mode de réalisation, le système pour le traitement d’un volume d’eau d’alimentation comprend au moins un second ensemble de membranes agencé en sortie du premier ensemble de membranes, le concentrât du premier ensemble de membranes définissant l’entrée du second ensemble de membranes.
Selon un mode de réalisation, le système pour le traitement d’un volume d’eau d’alimentation comprend au moins un troisième ensemble de membranes agencé en parallèle du premier ensemble de membranes, le concentrât du premier ensemble de membranes et du troisième ensemble de membranes définissant l’entrée du second ensemble de membranes.
Selon un mode de réalisation, la première fonction apprenante comprend la mise en œuvre d’un premier modèle additif généralisé prenant en considération la troisième série temporelle exposée selon une pluralité de paramètres physiques externes prédéfinis.
Selon un mode de réalisation, la durée de lissage est choisie de sorte à correspondre à une valeur maximale d’un indicateur de vieillissement d’au moins une membrane ou une durée propre à sa durée de vie.
Selon un mode de réalisation, l’estimation du premier indicateur de fonctionnement du premier ensemble de membranes résulte :
■ d’au moins un calcul réalisé à partir des données du premier ensemble de données ;
■ d’au moins une mesure réalisée à partir de capteurs agencés à proximité de l’ensemble de membranes.
Selon un mode de réalisation, les indicateurs normalisés comprennent en outre :
■ un indicateur normalisé caractéristique du flux d’alimentation ou du flux de sortie et/ou ;
■ un indicateur normalisé caractéristique de la conductivité d’un volume d’eau en entrée et/ou en sortie du premier ensemble de membranes et/ou ;
■ un indicateur normalisé relatif à une mesure du passage en sel entre l’entrée et une sortie du premier ensemble de membranes et/ou ;
■ un indicateur normalisé caractéristique de la pression d’alimentation. Selon un mode de réalisation, l’indicateur normalisé caractéristique du flux d’alimentation d’au moins un premier ensemble de membranes comprend :
■ Un paramètre relatif au flux spécifique d’alimentation représentant le volume d’eau en entrée du premier ensemble de membranes considéré par unité de temps et unité de surface de membrane lorsqu’une pression est appliquée audit volume d’eau et/ou ;
■ Un paramètre relatif à un premier flux de sortie représentant le volume d’eau filtré en sortie, appelé perméat, du premier ensemble de membranes considéré par unité de temps et unité de surface de membrane lorsqu’une pression est appliquée audit volume d’eau en entrée et/ou ;
■ Un paramètre relatif à un second flux de sortie représentant le volume d’eau résiduel, appelé concentrât, en sortie du premier ensemble de membranes considéré par unité de temps et unité de surface de membrane lorsqu’une pression est appliquée audit volume d’eau en entrée et/ou ;
■ Un paramètre relatif à la pression d’alimentation en entrée de l’ensemble de membranes.
Selon un mode de réalisation, l’indicateur normalisé caractéristique de la conductivité d’un volume d’eau entrant ou sortant d’au moins un premier ensemble de membranes comprend :
■ Un paramètre relatif à la conductivité du perméat en sortie du premier ensemble de membranes ;
■ Un paramètre relatif à un coefficient de perméabilité du premier ensemble de membranes,
■ Un paramètre relatif à une mesure de la différence de conductivité d’un volume d’eau en entrée et en sortie du premier ensemble de membranes.
Selon un mode de réalisation, le procédé comprend une suppression de données brutes d’au moins un capteur lorsque les valeurs acquises sont inférieures à un seuil prédéfini. Selon un mode de réalisation, un premier pré-entrainement de la première fonction apprenante est réalisé à partir d’un ensemble de données d’entrainement et d’un paramètre correctif de saisonnalité ou de seuils de température et qu’un second entrainement est réalisé de la première fonction apprenante lors de la définition des ensembles des membranes, du nombre d’ensembles de membranes et des paramètres de fonctionnement pendant la durée de lissage.
Brève description des figures
D’autres caractéristiques et avantages de l’invention ressortiront à la lecture de la description détaillée qui suit, en référence aux figures annexées, qui illustrent :
Figure 1 : un diagramme comportant les différentes étapes d’un mode de réalisation du procédé de l’invention ;
Figure 2 : un exemple de représentation de l’encrassement de membranes d’un système comportant une série de nettoyages successifs et représentant l’effet du vieillissement des membranes sur le long terme ;
Figure 3 : un exemple d’un système de l’invention comportant une pluralité de capteurs et des moyens de traitement des données pour générer les indicateurs normalisés selon le procédé de l'invention ;
Figure 4 : un exemple d’un ensemble de membranes modélisant un étage traitant un flux entrant et générant deux flux de sorties dont le perméat et le concentrât ;
Figure 5 : un exemple d’un système de traitement d’eau selon l’invention comportant une pluralité d’étages de traitement dans lesquels différents ensembles de membranes sont mis en œuvre ;
Figure 6 : un exemple d’une évolution d’un indicateur de fonctionnement d’un ensemble de membranes représentant une première courbe d’évolution de la pression différentielle d’un ensemble de membranes dans laquelle on note les effets de saisonnalité et la tendance d’évolution du vieillissement ;
Figure 7 : une représentation de l’indicateur de fonctionnement, ici la pression différentielle, selon un diagramme d’expectile permettant de représenter ledit indicateur de fonctionnement selon un paramètre physique, ici la température ; on note la courbe représentant l’enveloppe des valeurs minimales du diagramme permettant de générer un ensemble de valeurs correctives utilisées dans le procédé de l’invention ;
Figure 8 : une représentation d’une seconde courbe représentant l’évolution de l’indicateur de fonctionnement corrigé de l’ensemble de membranes considérées lorsque ces dernières sont dans un état sensiblement propre ; et la première courbe,
Figure 9 : une représentation de la différence des deux courbes de la figure 9 à laquelle est ajoutée une courbe de référence permettant de visualiser un indicateur de fonctionnement corrigé indépendant des conditions opérationnelles et des conditions environnementales et restituant notamment les effets du vieillissement de l’ensemble de membranes au cours du temps.
Définitions
On appelle dans la suite de la description le « système de traitement des données », un système comportant les moyens nécessaires à l’exécution des étapes du procédé, c’est-à-dire à minima un calculateur et une mémoire. Toutefois, selon un mode préféré, le système comprend :
■ des moyens logiciels locaux colocalisés dans l’usine de traitement permettant d’effectuer des traitements sur les données acquises de capteurs, il peut s’agit d’un ordinateur configuré pour être un serveur local et ;
■ des moyens distants tels qu’au moins un serveur de données distant permettant d’exécuter des étapes du procédé aboutissant à la génération des indicateurs normalisés et des dates prédites d’intervention sur l’usine.
On appelle dans la suite de la description l’« usine » ou le « système de traitements d’eau » l’ensemble des moyens physiques permettant de traiter un volume d’eau et de mesurer des paramètres de fonctionnement ou environnementaux. L’usine comprend à minima un ensemble de membranes dense spiralé par exemple utilisé pour des applications d’osmose inverse. Un ensemble de membranes est utilisé pour traiter un volume d’eau entrant acheminé au moyen d’une arrivée d’eau et générant aux moins deux flux appelés « perméat » et « concentrât » acheminés au moyen de sorties d’eau. Généralement, un système de traitement d’eau comprend des capteurs et des moyens hydrauliques et le système de traitement de données. Les moyens hydrauliques comportent selon les configurations des vannes, telles que des vannes d’équilibrage, des vannes de fermeture ou d’arrêt, des vannes de régulation, éventuellement des turbines ou microturbines ou tout autre équipement permettant de contrôler, réguler et acheminer des flux de fluides tels que de l’eau. Le système de traitement d’eau comprend également des équipements hydrauliques tels que des pompes, des réservoirs, des containers, des filtres, des canalisations et tout autre équipement nécessaire à la mise en œuvre de l’usine.
L’usine ou le système de traitement d’eau peut comprendre une ou plusieurs passes de filtration de traitement du volume d’eau entrant et peut comprendre un ou plusieurs étages définissant un agencement d’ensembles de membranes installés en série ou en parallèle ayant un taux de conversion de traitement d’un volume d’eau en entrée. Typiquement, un étage permet de traiter entre 40% et 50% du volume d’eau pompée. Afin d’augmenter la portion d’eau traitée, il est possible de mettre plusieurs étages en série afin d’arriver à des taux de conversion de 75% à 85%.
Une passe de filtration est un traitement par filtration d’un volume d’eau à une pression caractéristique de fonctionnement donnée. Dans les architectures permettant le dessalement d’un volume d’eau, en général au moins deux passes de filtration sont réalisées.
On nomme dans la suite de la description une concentration : la concentration de sels dans le fluide, à savoir l’ensemble des minéraux présents par exemple dans un volume d’eau. Dans le cas d’une mesure de la salinité d’un volume d’eau, les mesures ou les calculs de la concentration peuvent être obtenus par des mesures de la conductivité du volume de fluide considéré. On nomme dans la suite de la description, la conductivité une mesure d’une conductivité d’un fluide reflétant la présence d’éléments conducteurs dans ce fluide.
L’obtention de la concentration à partir d’une mesure de la conductivité d’un fluide est possible du fait qu’elles correspondent à des grandeurs équivalentes. En effet, la concentration ou la conductivité mesure(nt) des propriétés physiques d’un fluide qui sont équivalentes. L’une des grandeurs peut être obtenue à partir d’une mesure de l’autre grandeur selon un rapport simple, telle qu’un coefficient ou une constante. A cette fin, une constante caractérisant la qualité de l’eau, telle qu’une eau de surface ou une eau de mer ou une eau du robinet peut être utilisée pour convertir une mesure de la conductivité en une valeur de concentration. Par ailleurs, lorsqu’un paramètre influe sur la conductivité, telle que la température, cette dernière influence peut être compensée selon un modèle, par exemple un modèle linéaire, pour déduire la concentration.
La figure 5 représente un exemple de réalisation d’une architecture comportant différents étages ETi, ET2 et ET3 mettant en œuvre une pluralité d’ensemble de membranes ENSu, ENS12, ENS2, ENS3 agencées selon différentes configurations en parallèle ou en série selon l’étage auxquelles elles appartiennent. Dans cet exemple, 3 étages sont en série et le premier étage comporte deux ensembles de membranes en parallèle. A chaque sortie d’un ensemble de membranes, les débits des concentrats Qc1 , Qc2 sont réinjectés dans l’étage suivant. Les débits des perméats Qp1 , Qp2, Qp3 peuvent être acheminés vers d’autres étages de traitement ou exploités directement.
Les capteurs peuvent correspondre à des capteurs mesurant des données environnementales telles que la température d’eau, une pression d’eau, une salinité d’un volume d’eau ou tout autre paramètre de qualité d’un volume d’eau. D’autres capteurs peuvent être utilisés pour mesurer des paramètres physiques de l’usine, tels que des niveaux de consommation d’un équipement, un débit entrant ou sortant, une différence de pression, ou encore des capteurs détectant des évènements.
On nomme dans la suite de la description un étage de l’usine, un sous-ensemble de l’usine formé d’au moins un ensemble de membranes comportant un raccordement ou un canal pour recevoir un flux entrant d’eau à traiter et deux raccordements ou deux canaux de sortie générant deux flux de sortie : le perméat qui correspond au flux traité ayant une salinité inférieure à la salinité du flux entrant et le concentrât qui correspond à un flux d’eau dont la salinité est au moins égale au flux d’eau entrant.
La figure 1 illustre les principales étapes d’un mode de réalisation du procédé de l’invention. Une première étape comprend l’acquisition ACQ1 d’un ensemble de données provenant de différents capteurs 20, 21 , 22 représentés à la figure 3 selon un exemple de réalisation d’une architecture système de traitement d’eau permettant de mettre en œuvre le procédé de l’invention. Les capteurs sont agencés préférentiellement au sein du système de traitement d’eau ou à proximité du système de traitement d’eau de sorte à mesurer au plus près des membranes les conditions environnementales auxquelles elles sont soumises.
Selon un exemple de réalisation, le système de traitement de données de l’invention comprend des moyens logiciels tels qu’un calculateur et une mémoire pour exécuter un programme informatique mettant en œuvre les étapes du procédé de l’invention. Le ou les programme(s) informatique(s) comprennent des instructions logicielles qui lorsqu’elles sont exécutées permettent de mettre en œuvre les étapes du procédé de l’invention.
Applications
Selon une première application, le procédé de l’invention se rapporte au domaine de l’osmose inverse pour la filtration d’un volume d’eau. Le procédé se rapporte aussi bien au domaine des membranes utilisées pour l’osmose inverse dans le cadre d’une utilisation de filtration de la teneur en sel d’un volume d’eau que pour l’osmose inverse dite basse pression pour d’autres utilisations que le dessalement d’un volume d’eau.
Le procédé de l’invention est particulièrement adapté pour générer des indicateurs normalisés de membranes organiques, c’est-à-dire réalisées selon un polymère organique tel que le polyamide, dites « membranes denses » spiralées. Ces membranes sont notamment utilisées pour des applications d’osmose inverse ou de nanofiltration. Toutefois, l’invention ne se limite pas aux membranes denses.
Selon une seconde application, le procédé de l’invention se rapporte au domaine de la nanofiltration membranaire. Dans ce cas, le procédé s’applique à des membranes configurées pour séparer des molécules dans un volume d’un liquide, par exemple l’eau ou le sang.
Selon une troisième application, le procédé de l’invention se rapporte au domaine de l’ultrafiltration membranaire réalisée à partir de membrane dense.
Dans la suite de la description, l’invention sera décrite au regard de l’application de l’osmose inverse. Toutefois, le procédé de l’invention se rapporte à tout autre domaine impliquant la mise en œuvre de membranes pour séparer des particules ou des éléments d’un volume d’un liquide.
Modélisation La figure 2 représente un exemple schématique des causes impactant l’évolution de l’état d’une ou plusieurs membranes. A cet effet, l’évolution d’un indicateur caractéristique est représentée sur le schéma, à savoir la pression différentielle DP. La figure illustre différentes causes produisant une évolution de cet indicateur, dont notamment :
■ les encrassements de ces membranes notés Fo et les opérations de maintenance visant à les nettoyer ici représentées par des nettoyages NETi ;
■ le vieillissement intrinsèque de la membrane dégradant ses propriétés physiques sur le long terme ici représenté par la ligne notée Tr et désignant une tendance d’évolution du vieillissement et enfin ;
■ les influences liées aux paramètres physiques externes comportant des composantes opérationnelles liées à l’architecture de l’usine, les variables de fonctionnement, et des composantes environnementales liées à la qualité de l’eau et sa température par exemple.
Cette représentation permet de mieux comprendre les différents cycles que les membranes subissent et qui causent des encrassements. Un des objectifs du procédé de l’invention est d’isoler certaines de ces causes de manière à mieux prédire les prochaines opérations de maintenance liées aux encrassements et aux remplacements des membranes.
La figure 2 représente donc en ordonnée la pression différentielle d’un ensemble de membranes et le temps en abscisse. La ligne notée BLNS représente l’évolution de la pression différentielle DP d’un ensemble de membranes en fonction des paramètres physiques externes. Les lignes notées Fo représentent l’évolution de la pression différentielle DP liée à l’encrassement des membranes et enfin la ligne Tr désigne l’évolution de la pression différentielle DP liée au vieillissement des membranes. C’est notamment cette dernière composante qui permet d’établir un modèle prédictif fiable qui modélise le réel vieillissement des membranes.
La figure 6 représente les valeurs de la pression différentielle DP définissant le premier indicateur de fonctionnement KPh. Les valeurs de la pression différentielle DP sont enregistrées comme données brutes sur une échelle de plusieurs mois ou plusieurs années. Ce graphique permet d’observer une grande variation de la pression différentielle DP au cours des années en raison de l'influence des variations de la température de l’eau au cours du temps. Cette influence donne un modèle en forme de vague aux données. Cependant, en moyenne, il apparaît que l’indicateur de fonctionnement relatif à la pression différentielle DP augmente de la première à la cinquième année, voire la ligne Tr qui désigne la tendance du vieillissement et/ou à l’encrassement des membranes. Cette tendance à l'encrassement n'est pas visible au cours de l'opération, car les variations dues à la température sont beaucoup plus importantes que celles dues à l'encrassement irréversible.
Acquisition des données environnementales
Le procédé comprend une étape de réception de données, notée AQCi sur la figure 1 , provenant de capteurs agencés au sein ou à proximité d’une installation afin de mesurer des valeurs de paramètres environnementaux, dits paramètres physiques externes, liés à une installation d’une pluralité de membranes traitant ou filtrant un volume d’eau incident. Les capteurs peuvent comprendre des sondes de température, des sondes telles que des sondes de conductivité, des débitmètres, des capteurs de pression, etc.
Selon un mode de réalisation de l’invention, les données acquises par les capteurs sont enregistrées dans une mémoire. Les données sont acquises et enregistrées sous la forme de séries temporelles. Les données sont donc préférentiellement horodatées. Le procédé de l’invention se rapporte à une première étape comportant la lecture des données enregistrées provenant des capteurs. Toutefois, le procédé de l’invention peut comprendre selon un mode de réalisation, l’étape préalable d’acquisition des capteurs. Dans la mesure où le procédé de l’invention est mis en œuvre par un ordinateur ou par une pluralité d’unité de calculs, il n’est pas nécessaire que le procédé comprenne l’étape préalable d’acquisition qui peut être séparée de la mise en œuvre du procédé de l’invention puisque ce dernier peut être réalisé à postériori dans un certain délai après les acquisitions.
Les données enregistrées des paramètres physiques externes comprennent à minima des valeurs de températures Tf d’un volume d’eau entrant dans un étage comportant un ensemble de membranes et des valeurs de pression Pf de ce même volume d’eau entrant. Ces valeurs sont mesurées préférentiellement à des intervalles réguliers par au moins un capteur de température.
Ces valeurs peuvent également être mesurées au niveau du perméat {Tp, Pp} ou du concentrât {Te, Pc}.
Selon un mode de réalisation, d’autres valeurs de paramètres physiques externes sont enregistrées et exploitées par le procédé de l’invention. Notamment, les valeurs de débit entrant Qf et de concentration Cf du volume entrant sont mesurées. Le débit entrant est également appelé débit d’alimentation Qf. La figure 4 représente le débit en entrée Qf d’un ensemble de membranes ENSi et les débits sortants Qp et Qc respectivement du perméat et du concentrât.
Selon un mode de réalisation, des valeurs de paramètres physiques externes en sortie de l’ensemble de membranes sont enregistrées et exploitées par le procédé de l’invention. Il peut s’agir des valeurs de paramètres physiques externes du perméat ou du concentrât, les paramètres physiques étant respectivement notés Tp, Qp, Cp, Pp pour le perméat et notés Te, Qc, Ce, Pc pour le concentrât.
On note une mesure générale d’un paramètre physique externe Ti, Qi, Ci, Pi dans la suite du document et ces valeurs peuvent être précisées selon leur point de mesure avec les indices f, p, c selon si le paramètre est mesuré en amont de l’ensemble de membranes ou en aval au niveau du perméat ou du concentrât.
Un intérêt est de mesurer un même paramètre à différents points de mesure et de calculer certaines valeurs différentielles telles que la pression différentielle DP ou le passage ou la rétention en sel, autrement appelée concentration différentielle.
On note que les séries temporelles peuvent être acquises, enregistrées et exploitées selon différentes fréquences et sur différentes durées d’acquisition. Le procédé de l’invention comprend, selon un mode de réalisation, toute étape préliminaire visant à suréchantillonner ou sous- échantillonner une série temporelle de manière à homogénéiser les quantités de valeurs de chaque série temporelle lorsqu’elles sont utilisées conjointement par des opérations mathématiques ou par des algorithmes.
Chaque série temporelle comportant l’ensemble des valeurs relatives à chaque paramètre physique externe est notée SERIEi. Il existe donc autant de séries temporelles SERIEi que de séries temporelles de valeurs de paramètres physiques externes.
Lorsque les acquisitions sont réalisées sur des périodes d’acquisition différentes, une opération visant à exploiter les données sur une même période peut être réalisée.
Détermination des indicateurs
Le procédé de l’invention permet de conserver des données mesurées ou calculées issues des secondes séries temporelles SERIE2 correspondantes aux valeurs des indicateurs de fonctionnement KPh sur une période temporelle appelée période d’acquisition DA. Dans sa mise en œuvre la plus simple, le procédé de l’invention comprend l’exploitation d’un unique indicateur de fonctionnement, par exemple le premier indicateur de fonctionnement KP . Dans d’autres mises en œuvre, le procédé de l’invention est mis en œuvre pour exploiter une pluralité d’indicateurs de fonctionnement, par exemple les quatre indicateurs de fonctionnement évoqués précédemment : KPh, KPh, KPh, KPI4. Selon différentes réalisations, des combinaisons de ces indicateurs sont exploitées, par exemple le premier et le troisième indicateur KPh, KPh ou d’autres combinaisons. Une sélection d’indicateurs de fonctionnement peut être avantageusement exploitée de sorte à produire des indicateurs normalisés qui seront utilisés pour entraîner une fonction apprenante, c’est-à-dire un modèle d’apprentissage machine, dans l’objectif de prédire à court terme ou à moyen terme. Les indicateurs sont sélectionnés selon la configuration de l’usine, l’influence supposée des variations des conditions environnementales et des paramètres de fonctionnement. Différentes variantes du procédé de l’invention peuvent donc être mises en œuvre selon les configurations des usines.
Les différentes étapes du procédé de l’invention comprennent l’utilisation d’indicateurs de fonctionnement visant à réaliser plusieurs objectifs :
- définir un modèle de normalisation ;
- déterminer un indicateur intermédiaire et un indicateur normalisé ;
- définir un modèle de prédiction ;
- déterminer une prédiction à court et/ou long terme pour anticiper les dates des opérations de maintenance sur les membranes. Afin de répondre à tous ces objectifs, différents indicateurs sont définis dans le cadre du procédé de l’invention.
KPh : désigne l’indicateur de fonctionnement obtenu avec des conditions environnementales réelles obtenues lors de l’acquisition par exemple la température Ti, la pression Pi et le débit Qi, etc.
KPh’: désigne l’indicateur de fonctionnement normalisé correspondant à un indicateur rendu indépendant de conditions environnementales et restituant principalement l’état d’encrassement ou de vieillesse de la membrane afin de prédire les opérations de maintenances.
KPho’: désigne l’indicateur de fonctionnement normalisé correspondant à un indicateur calculé pour des conditions environnementales de référence et restituant principalement l’état d’encrassement ou de vieillesse de la membrane afin de prédire les opérations de maintenances.
KPhA : désigne l’indicateur de fonctionnement de membranes estimé par la fonction de perte lors de l’étape de régression et obtenu avec des conditions environnementales réelles obtenues lors de l’acquisition par exemple la température Ti, la pression Pi et le débit Qi, etc.
KPhA : désigne l’indicateur de fonctionnement de membranes neuves ou propres ou nettoyées obtenu avec des conditions environnementales réelles obtenues lors de l’acquisition par exemple la température Ti, la pression Pi et le débit Qi, etc. Il est également appelé indicateur intermédiaire.
KPho : désigne l’indicateur de fonctionnement de membranes obtenu avec des conditions environnementales de référence obtenues avec des paramètres de fonctionnement de référence, par exemple la température To, la pression Po et le débit Qo, etc.
KPliAo : désigne l’indicateur de fonctionnement de membranes neuves ou propres ou nettoyées obtenu avec des conditions environnementales de référence obtenues avec des paramètres de fonctionnement de référence, par exemple la température To, la pression Po et le débit Qo, etc.
KPhpi : désigne l’indicateur de fonctionnement de membranes prédit par un premier modèle de prédiction entrainé à partir de l’indicateur de fonctionnement normalisé, ladite prédiction étant une prédiction court terme. KPhp2 : désigne l’indicateur de fonctionnement de membranes prédit par un second modèle de prédiction entrainé à partir de l’indicateur de fonctionnement normalisé, ladite prédiction étant une prédiction long terme.
Le procédé de l’invention comprend la détermination d’au moins un indicateur de fonctionnement, noté KPh, cette étape est notée ESTi sur la figure 1 . Cette étape est préférentiellement réalisée par un calculateur qui peut être soit un calculateur local Ki représenté sur la figure 1 soit un calculateur sur un serveur distant représenté par le SERVi. Une mémoire est représentée afin d’enregistrer les données produites lors des calculs des indicateurs de fonctionnement KPh et des indicateurs de fonctionnement normalisés KPh’ et éventuellement des valeurs intermédiaires corrigées ou prédites comme les valeurs de l’indicateur de fonctionnement de la courbe de référence KPhA ou encore les valeurs estimées de l’indicateur de fonctionnement KPhA, ou les valeurs prédites KPhpi , KPhP2 par le modèle de prédiction du suivi de l’évolution de l’indicateur normalisé.
Les indicateurs peuvent être définis selon des séries temporelles définies sur des périodes d’acquisition différentes que les premières séries temporelles SERIEi. Dans ce cas, une opération visant à exploiter les séries SERIE1 et SERIE2 sur une même période peut être réalisée. Il peut s’agir par exemple d’une opération visant à définir une fenêtre temporelle commune.
KPI1 (DP)
Selon un premier exemple, un premier indicateur de fonctionnement KPh correspond à la pression différentielle notée DP.
Cette pression différentielle DP résulte d’une différence de pression entre le volume entrant dans le premier ensemble de membranes et un volume de sortie, tel que le concentrât. La différence de pression pourrait également être mesurée entre l’entrée et le perméat.
Selon un premier exemple, la pression différentielle DP peut être calculée à partir de certains paramètres de fonctionnement mesurés notamment par les capteurs. Il existe à cette fin, une fonction fi permettant de modéliser cette pression différentielle en fonction de la température et du débit moyen Qn où Qn = (Qc+Qf)/2N. Ici N correspond au nombre de tubes comportant l’ensemble de membranes, chaque tube formant un agencement d’un ensemble de membranes spiralées. Qc est le débit d’eau du concentrât et Qf le débit d’eau entrant. On note KP1 = DP = fi(Qn, Ti). Le procédé de l’invention comprend une étape permettant à partir des mesures de températures Ti et de débits Qc et Qf d’obtenir un indicateur de fonctionnement KPh.
Selon d’autres exemples, d’autres paramètres physiques externes pourraient être pris en compte pour calculer ou modéliser l’influence de ces paramètres dans l’évolution de cet indicateur.
Selon un second exemple, la pression différentielle DP peut être directement mesurée à partir d’au moins un capteur de pression différentielle ou une pluralité de capteurs de pression agencés en amont et en aval de l’ensemble de membranes.
Le premier indicateur KPh peut avantageusement prendre la forme d’une série temporelle SERIE2. Chaque valeur calculée ou mesurée de la pression différentielle DP est dans ce cas associée à une date. La date de chaque valeur de l’indicateur de fonctionnement peut être prise égale à la date de chaque valeur de paramètre de fonctionnement d’une première série temporelle SERIE1 utilisée dans le calcul du premier indicateur de fonctionnement KPh.
Lorsque la pression différentielle DP est directement mesurée par des capteurs, une horloge commune peut être utilisée avec celle ou celles permettant d’horodater les autres paramètres physiques mesurés afin de conserver une cohérence de dates entre la première série temporelle SERIE1 et la seconde série temporelle SERIE2.
Le procédé de l’invention permet de générer un indicateur KPIIA représentant la pression différentielle équivalente DP’ qui est un indicateur reconstitué qui correspond à la pression différentielle de l’ensemble de membranes lorsqu’elles sont neuves ou propres ou nettoyées par une opération de nettoyage. Cet indicateur est obtenu pour des conditions réelles de mesure des paramètres physiques externes. Cet indicateur permettra ensuite d’obtenir un indicateur normalisé KPho’ donnant un état de la membrane pour des conditions environnementales de référence.
Un objectif est de calculer les valeurs du premier indicateur KPh pour différentes mesures de température Ti et du débit moyen Qn afin d’estimer, grâce à un premier modèle de normalisation appris MODNI , une évolution du premier indicateur intermédiaire KPIIA. Le premier modèle de normalisation MODNI est par exemple appris au moyen d’une régression. Ce premier indicateur intermédiaire KPIIA pourra alors grâce à l’invention permettre un calcul d’un premier indicateur normalisé KPh' ou KPI ' restituant de manière plus fiable notamment la contribution du vieillissement et de l’encrassement des membranes.
Un avantage de ce premier indicateur KPh' est notamment de contribuer au suivi du colmatage longitudinal de l’ensemble de membranes.
Le procédé de l’invention permet de définir une pluralité d’indicateurs de fonctionnement {KPh}i[i ; k] et des indicateurs de fonctionnement normalisés {KPh’}i[i ; k] associés restituant une information sur l’état des membranes notamment au regard de leur encrassement et de leur vieillissement. Dans l’objectif d’obtenir des indicateurs fiables, robustes et indépendants des données environnementales ayant notamment des effets de saisonnalité, le procédé de l’invention permet de normaliser les indicateurs de fonctionnement {KP h }i[i ; k],
KPI2 (Pf)
Un second indicateur KPh est défini par le paramètre de fonctionnement relatif à une pression du flux incident Pf exercée sur le premier ensemble des membranes ENSi, également appelé pression d’alimentation Pf. La pression du flux incident Pf peut être soit calculée à partir d’un modèle et de mesures de paramètres physiques d’un modèle, soit directement mesurée à partir d’au moins un capteur de pression agencé en entrée du premier ensemble de membranes ENSi.
Lorsque ce second indicateur KPh est calculé à partir d’un modèle, la pression du flux incident Pf peut être modélisée selon une fonction f2 des paramètres environnementaux suivants : la température Ti, la concentration du flux entrant Cf, le débit du flux du perméat Qp et le débit du flux du concentrât Qc du premier ensemble de membranes ENSi, par exemple d’un étage ou d’une passe de l’usine de traitement comportant un premier ensemble de membranes ENSi. Selon d’autres exemples, d’autres paramètres physiques externes pourraient être pris en compte pour calculer ou modéliser l’influence de ces paramètres dans l’évolution de cet indicateur.
On obtient l’expression suivante : KPh = Pf = f2(Ti, Cf, Qp, Qc).
L’exemple décrit cite 4 paramètres retenus comme influençant le second indicateur, toutefois d’autres paramètres environnementaux peuvent également être pris en compte dans le cadre de cette invention. L’invention permet de prendre en compte au moins un paramètre qui influence l’évolution du second indicateur.
Le procédé de l’invention permet donc à partir des mesures de températures Ti, de la concentration Cf, du débit du perméat Qp et du débit du flux du concentrât Qc du premier ensemble de membranes ENSi d’obtenir un second indicateur de fonctionnement KPh.
Selon un second exemple, la pression du flux entrant Pf peut être directement mesurée à partir d’un capteur de pression ou une pluralité de capteurs de pression agencés en amont du premier ensemble de membranes ENSi.
Le second indicateur KPh peut avantageusement prendre la forme d’une seconde série temporelle SERIE2. On rappelle que chaque série temporelle correspondante à un indicateur de fonctionnement est notée SERIE2 bien qu’il s’agisse de séries temporelles différentes selon les indicateurs choisis. Chaque valeur calculée ou mesurée de la pression du flux entrant Pf est dans ce cas associée à une date. La date de chaque valeur de l’indicateur de fonctionnement peut être prise égale à la date de chaque valeur de paramètre de fonctionnement d’une première série temporelle SERIE1 utilisée dans le calcul du second indicateur de fonctionnement KPI2.
Identiquement au premier indicateur KPh, lorsque la pression du flux entrant Pf est directement mesurée par au moins un capteur, une horloge commune peut être utilisée avec celle permettant d’horodater les autres paramètres physiques mesurés afin de conserver une cohérence de dates entre la première série temporelle SERIE1 et la seconde série temporelle SERIE2.
Le procédé de l’invention permet de générer un indicateur intermédiaire KPLA’ représentant la pression du flux entrant équivalente Pf’ qui est un indicateur reconstitué dont la valeur correspond à la pression du flux entrant dans l’ensemble de membranes lorsqu’elles sont neuves ou propres ou nettoyées par une opération de nettoyage.
Un objectif est de calculer les valeurs du second indicateur de fonctionnement KPI2 pour différentes mesures des paramètres physiques externes afin d’estimer par un second modèle de normalisation appris MODN2 une évolution d’un indicateur intermédiaire KPLA. Le second modèle de normalisation MODN2 est par exemple appris au moyen d’une régression. Cet indicateur intermédiaire KPLA permet dans un second temps de calculer un indicateur normalisé KPh’ ou KPI20’ restituant de manière plus fiable notamment la contribution du vieillissement et de l’encrassement des membranes.
Un avantage de ce second indicateur KPh est de contribuer au suivi de la consommation d’énergie de l’ensemble de membranes ENS1.
KPI3 (débit du flux du perméat)
Un troisième indicateur KPh est défini par le paramètre de fonctionnement relatif à un débit du flux du perméat Qp en sortie du premier ensemble des membranes ENS1. Le débit du flux du perméat Qp peut être soit calculé à partir d’un modèle et de mesures de paramètres physiques du modèle, soit directement mesuré à partir d’un capteur agencé en sortie, au niveau du perméat, du premier ensemble de membranes ENS1.
Cet indicateur peut être également représenté par le flux spécifique SP. Il représente le volume d'eau produit par unité de temps et par unité de surface de la membrane lorsqu'une pression donnée est appliquée à l'eau d'alimentation. C’est un indicateur de la capacité de la membrane à produire un volume d’eau en sortie. Lorsque la membrane vieillit ou se dégrade, le flux spécifique SP a tendance à diminuer. La diminution du flux spécifique SP est un indicateur de l'encrassement ou de la détérioration du matériau de la membrane. Toutefois, cet indicateur comme celui correspondant au débit du flux du perméat Qp est également influencé par la température, la salinité de l'eau et la température de l'eau. Selon d’autres exemples, d’autres paramètres physiques externes pourraient être pris en compte comme facteurs influençant l’évolution de cet indicateur.
Lorsque ce troisième indicateur KPh est calculé à partir d’un modèle, le débit du flux du perméat Qp peut être modélisé selon une fonction fs des paramètres environnementaux suivants : la température Ti, la concentration du flux entrant Cf, le débit du flux du perméat Qp et le débit du flux du concentrât Qc du premier ensemble de membranes ENS1, par exemple d’un étage ou d’une passe de l’usine de traitement comportant un premier ensemble de membranes ENS1. Selon un autre mode de réalisation, d’autres variables physiques externes peuvent être prises en compte dans la modélisation du KPI3.
On obtient l’expression suivante : KPh = Qp = fs(Ti, Cf, Qp, Qc). L’exemple décrit cite 4 paramètres retenus comme influençant le troisième indicateur, toutefois d’autres paramètres environnementaux peuvent également être pris en compte dans le cadre de cette invention. L’invention permet de prendre en compte au moins un paramètre qui influence l’évolution du troisième indicateur.
Le procédé de l’invention permet donc à partir des mesures de températures Ti, de la concentration du flux entrant Cf, du débit du flux du perméat Qp et du débit du flux du concentrât Qc du premier ensemble de membranes ENSi d’obtenir un troisième indicateur de fonctionnement KPh.
Selon un second exemple, le débit du flux du perméat Qp peut être directement mesuré à partir d’au moins un capteur d’un dispositif agencé en aval du premier ensemble de membranes ENSi.
Le troisième indicateur KPh peut avantageusement prendre la forme d’une seconde série temporelle SERIE2. Chaque valeur calculée ou mesurée du débit du flux du perméat Qp est dans ce cas associée à une date. La date de chaque valeur du troisième indicateur de fonctionnement KPh peut être prise égale à la date de chaque valeur de paramètre de fonctionnement d’une première série temporelle SERIE1 utilisée dans le calcul du troisième indicateur de fonctionnement KPh.
Identiquement au premier et au second indicateur KPh, KPh, lorsque le débit du flux du perméat Qp est directement mesuré par au moins un capteur, une horloge commune peut être utilisée avec celle permettant d’horodater les autres paramètres physiques mesurés afin de conserver une cohérence de dates entre la première série temporelle SERIE1 et la seconde série temporelle SERIE2.
Le procédé de l’invention permet de générer un troisième indicateur intermédiaire KPISA’ représentant le débit du flux du perméat Qp équivalent Qp’ qui est un indicateur reconstitué dont la valeur correspond au flux du perméat Qp entrant dans l’ensemble de membranes lorsqu’elles sont neuves ou propres ou nettoyées par une opération de nettoyage.
Un objectif est de calculer les valeurs du troisième indicateur de fonctionnement KPh pour différentes mesures des paramètres physiques externes afin d’estimer par un troisième modèle de normalisation appris MODN3 une évolution d’un indicateur intermédiaire KPISA. Le troisième modèle de normalisation MODNS est par exemple appris au moyen d’une régression. Cet indicateur intermédiaire KPhA permet dans un second temps de calculer un indicateur normalisé KPh’ ou KPho’ restituant de manière plus fiable notamment la contribution du vieillissement et de l’encrassement des membranes.
Un avantage de ce troisième indicateur KPh, pris en combinaison possiblement avec d’autres données, est de permettre de contribuer au suivi du colmatage transmembranaire de l’ensemble de membranes ENSi.
KPI4 (passage en sel)
Un quatrième indicateur de fonctionnement KPh est défini par le paramètre de fonctionnement relatif au passage en sel SP exprimé en un pourcentage de sel filtré dans le concentrât SPc ou résiduel dans le perméat SPp en sortie du premier ensemble des membranes ENSi. Le passage en sel peut être exprimé, par exemple, sous la forme d’un rapport de concentration entre l’entrée et la sortie. On considère dans cet exemple, le passage en sel dans le perméat SPp. Le passage en sel SPp peut être soit calculé à partir d’un modèle et de mesures de paramètres physiques du modèle, soit directement mesuré à partir d’un capteur agencé en sortie, au niveau du perméat, du premier ensemble de membranes ENSi. Cet indicateur peut être également représenté par la conductivité du perméat.
Selon d’autres exemples, d’autres paramètres physiques externes pourraient être pris en compte pour calculer ou modéliser l’influence de ces paramètres environnementaux dans l’évolution de cet indicateur.
Lorsque ce quatrième indicateur KPh est calculé à partir d’un modèle, le passage en sel dans le perméat SPp peut être modélisé selon une fonction f4 des paramètres environnementaux suivants : la température Ti, la concentration du flux entrant Cf, le débit du flux du perméat Qp et le débit du flux du concentrât Qc du premier ensemble de membranes ENSi, par exemple d’un étage ou d’une passe de l’usine de traitement comportant un premier ensemble de membranes ENSi.
On obtient l’expression suivante : KPh = SPp = f4(Ti, Cf, Qp, Qc).
L’exemple décrit cite 4 paramètres retenus comme influençant le quatrième indicateur, toutefois d’autres paramètres environnementaux peuvent également être pris en compte dans le cadre de cette invention. L’invention permet de prendre en compte au moins un paramètre qui influence l’évolution du quatrième indicateur. Le procédé de l’invention permet donc à partir des mesures de températures Ti, de la concentration du flux entrant Cf, du débit du flux du perméat Qp et le débit du flux du concentrât Qc du premier ensemble de membranes ENSi d’obtenir un quatrième indicateur de fonctionnement KPk
Selon un second exemple, le passage en sel dans le perméat SPp peut être directement mesuré à partir d’au moins un capteur ou d’un dispositif agencé en aval du premier ensemble de membranes ENSi.
Le quatrième indicateur KPk peut avantageusement prendre la forme d’une seconde série temporelle SERIE2. Chaque valeur calculée ou mesurée du passage en sel dans le perméat SPp est dans ce cas associée à une date. La date de chaque valeur du quatrième indicateur de fonctionnement KPk peut être prise égale à la date de chaque valeur de paramètre de fonctionnement d’une première série temporelle SERIE1 utilisée dans le calcul du quatrième indicateur de fonctionnement KPk.
Identiquement au premier, au second et au troisième indicateur KPh, KPh, KPh, lorsque le passage en sel dans le perméat SPp est directement mesuré par au moins un capteur ou un dispositif, une horloge commune peut être utilisée avec celle permettant d’horodater les autres paramètres physiques mesurés afin de conserver une cohérence de dates entre la première série temporelle SERIE1 et la seconde série temporelle SERIE2.
Le procédé de l’invention permet de générer un quatrième indicateur intermédiaire KPUA’ représentant le passage en sel dans le perméat SPp’ équivalent qui est un indicateur reconstitué dont la valeur correspond au passage en sel Sp obtenu par l’ensemble de membranes lorsqu’elles sont neuves ou propres ou nettoyées par une opération de nettoyage.
Un objectif est de calculer les valeurs du quatrième indicateur de fonctionnement KPk pour différentes mesures des paramètres physiques externes afin d’estimer par un quatrième modèle de normalisation appris MODN4 une évolution d’un indicateur intermédiaire KPUA. Le quatrième modèle de normalisation MODN4 est par exemple appris au moyen d’une régression. Cet indicateur intermédiaire KPUA permet dans un second temps de calculer un indicateur normalisé KPk’ ou KPI40’ restituant de manière plus fiable notamment la contribution du vieillissement et de l’encrassement des membranes. Un avantage de ce quatrième indicateur KPk est de contribuer au suivi de la qualité de l’eau potabilisée produite par l’ensemble de membranes ENSi.
D’autres indicateurs de fonctionnement peuvent être utilisés, notamment le quatrième indicateur peut être remplacé par un indicateur sensiblement équivalent à savoir la concentration du perméat Cp.
Les données mesurées des premières séries temporelles SERIEi et des secondes séries temporelles SERIE2 sont enregistrées dans une mémoire du système. Cette étape est notée ENR1 sur la figure 1 .
D’autres exemples d’indicateurs peuvent être mis en œuvre. Selon un exemple, un cinquième indicateur de fonctionnement KPI5 correspond à la concentration du perméat ou du concentrât. Ce dernier indicateur peut être une fonction de la température Ti et de la pression différentielle DP.
Normalisation
La normalisation comprend deux étapes : une première étape consiste à définir automatiquement au moyen d’un algorithme d’apprentissage la fonction de normalisation ou le modèle de normalisation, notée MODNI, à partir d’un historique de données de membranes neuves, propres ou nettoyées et une seconde étape consiste à appliquer le modèle de normalisation appris MODNI à des données réelles enregistrées pour générer un indicateur intermédiaire KPLA et un indicateur normalisé KPh’ ou KPho’. Cette dernière étape est notée GENA sur la figure 1 .
Un premier apprentissage permet de créer un modèle de normalisation MODNI permettant de générer un indicateur normalisé pour prédire les remplacements et/ou de nettoyage de membranes. On cherche dans ce cas à obtenir un indicateur du vieillissement. Dans ce cas, les données d’apprentissage sont sélectionnées préférentiellement au début du cycle de vie d’une membrane ou d’un ensemble de membranes. On cherche à entrainer le modèle de normalisation sur les premières semaines, les premiers mois, voire la première année de fonctionnement d’une membrane ou d’un ensemble de membranes.
Cet apprentissage permet de générer un indicateur permettant de restituer une indication de vieillissement et également de colmatage et donc un indicateur de colmatage ou d’encrassement d’un ensemble de membranes. Un second apprentissage permet de créer un modèle de normalisation MODNI permettant de générer un indicateur normalisé pour prédire plus particulièrement les remplacements de membranes. On cherche dans ce cas à obtenir un indicateur d’encrassement. Dans ce cas, les données d’apprentissage ne sont pas nécessairement sélectionnées dans la première phase du cycle de vie d’une membrane ou d’un ensemble de membranes. Selon un mode de réalisation, on cherche à entrainer le modèle de normalisation sur des périodes comportant plusieurs opérations de maintenance telles que des nettoyages d’une membrane ou d’un ensemble de membranes.
Ce second apprentissage permet de générer un indicateur permettant de restituer une indication de colmatage ou d’encrassement d’un ensemble de membranes indépendamment de leur remplacement.
La normalisation comprend une modélisation des indicateurs selon les conditions environnementales opérationnelles ou des conditions environnementales de référence et selon l’état des membranes selon si elles sont considérées dans leur état opérationnel ou dans leur état neuves ou propres ou nettoyées.
On note les relations suivantes :
■ KPh = KPliA + TC avec TC un terme correctif lié à l’usure, le vieillissement et l’encrassement des membranes et KPLA le terme représentant l’indicateur de fonctionnement lorsque les membranes sont neuves et/ou propres et/ou nettoyées issue du modèle de normalisation.
Cette égalité reste vraie dans les conditions de référence, on obtient donc :
■ KPIi0 = KPliAo + TC
On peut noter à ce stade qu’une première normalisation KPh’ peut s’écrire avec le terme TC qui permet d’obtenir un indicateur de vieillissement ou de colmatage.
■ TC = KPh‘ = KPh - KPliA
On note qu’un terme correctif ajusté par l’ajour d’un terme calculé dans des conditions de référence permet de générer un indicateur normalisé dans des ordres de grandeur identiques à l’indicateur KPh :
■ TCo = KPho‘ = KPhAo + (KPh - KPhA) Selon un autre exemple une autre composante KPLAO peut être ajoutée. L’ajout d’une constante peut également être réalisé selon un autre mode de réalisation.
Apprentissage de la fonction de normalisation, régression
Afin de calculer les valeurs de l’indicateur de fonctionnement KPLA lorsque les membranes sont neuves et/ou propres et/ou nettoyées, l’invention comprend un apprentissage d’une fonction apprenante encore appelée fonction de normalisation ou modèle de normalisation. Cet apprentissage vise à définir les paramètres de ce modèle au moyen d’une régression. L’invention met en œuvre avantageusement une régression basée sur un expectile des valeurs de l’indicateur de fonctionnement en considérant au moins un paramètre physique extérieur. La régression peut être multifactorielle en prenant en compte une pluralité de paramètres physiques externes.
Les hypothèses d’une modélisation de la fonction de perte basée sur un expectile pour apprendre un modèle de normalisation pour générer des indicateurs de fonctionnement sont donc :
■ L’existence de variables explicatives qui soient suffisantes: le résidu est dû uniquement à l’encrassement, au vieillissement et au bruit de mesure ;
■ Les points de mesure du KPIi de la membrane neuve et/ou propre et/ou nettoyée correspondent sensiblement aux valeurs extrêmes : notamment les valeurs minimales pour les indicateurs de fonctionnement : DP, Cp, Pf et les valeurs maximales pour le flux spécifique Sf ; On entend dans ce cas par « sensiblement » les points de mesure à un facteur près dans l’expectile de la distribution, notamment quand plusieurs paramètres physiques externes influencent les valeurs de l’indicateur ;
■ La différence entre le KPI mesuré et le KPI modélisé ne dépend pas des variables explicatives.
Afin de normaliser ces indicateurs, le procédé comprend une étape visant à calculer un nuage de points de valeurs corrigées des indicateurs de fonctionnement sélectionnés KPh pour générer un indicateur de fonctionnement intermédiaire KPLA. L’objectif de la normalisation est de produire un indicateur normalisé ou des indicateurs normalisés représentatif(s) d’une usure ou d’un encrassement indépendamment des variations des paramètres physiques externes. En d’autres termes, le procédé de l’invention cherche à produire un indicateur normalisé KPh’ ou KPho’ qui ne soit pas sensible aux variations de conditions environnementales telles que la température de l’eau ou la concentration en sel du volume d’eau entrant dans le premier ensemble de membranes ENSi ou des paramètres physiques de fonctionnement tels les débits entrants, les débits du perméat et du concentrât, ou les pressions du perméat.
Afin de normaliser les indicateurs de fonctionnement, une première étape de calcul d’un indicateur de fonctionnement intermédiaire KPLA est réalisée. Cet indicateur intermédiaire est matérialisé par une représentation d’une courbe de référence CREFI . Cette courbe de référence CREFI comprend l’ensemble des points du nouveau nuage de points produits grâce au modèle de normalisation MODNI. Ce nuage de points peut être représenté sur la figure 7 dans le diagramme d’expectile, ici représenté avec un seul paramètre physique externe, la température, ou bien sous la forme d’une seconde série temporelle intermédiaire SERIE2A sur la figure 8. Cette série temporelle intermédiaire est notée SERIE2A, il s’agit des points de la courbe de référence CREF utilisé pour obtenir cette courbe. Le premier indicateur KPh est associé à une première courbe de référence CREFI , le second indicateur KPI2 est associé à une seconde courbe de référence CREF2, le troisième indicateur KPh est associé à une troisième courbe de référence CREFS, le quatrième indicateur KPk est associé à une quatrième courbe de référence CREIFA. D’une manière générale on parlera d’une courbe de référence CREFI pour chaque indicateur de fonctionnement KPh.
Régression
La courbe de référence CREF OU la seconde série temporelle intermédiaire SERIE2A est obtenue grâce à un indicateur intermédiaire obtenu grâce à l’application d’un modèle de normalisation, ledit modèle étant généré grâce à une opération de régression. L’opération de régression consiste à obtenir des valeurs d’un paramétrage d’un modèle de normalisation pour une seconde série temporelle SERIE2 d’un indicateur de fonctionnement KPh en considérant l’influence d’un ensemble de paramètres physiques externes considérés ledit indicateur de fonctionnement. Chaque indicateur de fonctionnement intermédiaire est produit grâce à l’application d’un modèle de normalisation propre entraîné selon une régression donnée. A cette fin, on considère les influences des paramètres physiques externes utilisés dans la modélisation de chaque indicateur externe, notamment dans les fonctions fi, f2, fs, f4. On rappelle que ces fonctions fi, f2, fs, f4 peuvent être ou non explicites. Elles traduisent davantage la prise en compte de l’influence de paramètres physiques externes sur l’indicateur de fonctionnement considéré. La régression permet, pour chaque ensemble de valeurs de paramètres physiques externes PARA considéré, de retenir une valeur de l’indicateur de fonctionnement KPh située dans un expectile donné de la distribution de valeurs de l’indicateur de fonctionnement.
La figure 7 représente une représentation du premier indicateur KPh, c’est-à-dire la pression différentielle DP en fonction de la température Ti. Cette représentation permet d’illustrer simplement la fonction d’expectile par rapport à une seule variable, toutefois cette représentation n’est pas réaliste dans le cas de deux variables telles que la température Ti et le débit moyen Qn pour le premier indicateur KPh. Une autre représentation serait nécessaire dans un cas multifactoriel.
Une régression d’expectile permet de déterminer une fonction de normalisation utilisée pour générer un indicateur de fonctionnement intermédiaire qui peut être représentée selon une courbe de référence CREFI . Toutefois, lorsque la régression est multicritère, c’est-à-dire réalisée en prenant en considération différents paramètres physiques externes PARA, elle aboutit à une enveloppe de valeurs obtenues en considérant une représentation de l’indicateur de fonctionnement KPh dans un espace à 2 dimensions.
On rappelle qu’un expectile est une fonction de la distribution d’une variable Y, ici les valeurs de l’indicateur de fonctionnement KPh. L’expectile caractérise la fonction de distribution ou la fonction de répartition de la variable.
Chaque indicateur de fonctionnement KPh est donc représenté dans un espace à N dimensions, chaque dimension étant associée à un paramètre physique externe PARA. Une régression est mise en œuvre afin de générer un modèle de normalisation utilisé MODNI pour produire un nuage de points. Ce nuage de points peut être représenté par une enveloppe inférieure ou supérieure des valeurs de l’indicateur de fonctionnement KPh, il s’agit de la courbe de référence CREFI. Cette enveloppe inférieure ou extérieure selon le paramètre de fonctionnement considéré KPh correspond au fonctionnement lorsque le premier ensemble de membranes ENSi et neuf et que les membranes ne sont pas encrassées ou que la composante associée à l’encrassement des membranes est/sont très faible(s), voire nulle. L’intérêt de considérer des points de l’indicateur pour effectuer la régression dans lesquels les membranes n’ont pas subi un vieillissement significatif est d’obtenir un modèle de normalisation restituant une indication liée au vieillissement des membranes. Lorsque ces points sont identifiés notamment au sein de l’enveloppe inférieure ou supérieure, ils correspondent à des valeurs uniquement sensibles aux paramètres extérieurs et non plus à l’encrassement des membranes puisque dans ces points les membranes sont supposées être propres ou nettoyées.
Selon un exemple de réalisation, une régression d’expectile peut être mise en œuvre de manière à retenir une portion des points de l’indicateur de fonctionnement KPh correspondant à une valeur donnée d’expectile pour des valeurs des paramètres physiques donnés. Autrement dit, pour une température Ti donnée et un débit moyen donné, le procédé permet de retenir les valeurs de l’indicateur de fonctionnement KPh en considérant le pourcentage d’expectile prédéfini. La régression est alors réalisée en considérant que les valeurs retenues sont celles du fonctionnement d’une membrane neuve et/ou propre et/ou nettoyée après une opération de nettoyage dans cette portion d’expectile.
Le procédé de l’invention permet de configurer l’expectile par exemple avec une valeur caractéristique de la distribution relative à 2% d’expectile ou 4% d’expectile ou 6% d’expectile, voire un pourcentage plus élevé ou inférieur de la fonction d’expectile de l’indicateur de fonctionnement. Le procédé de l’invention permet de déterminer une configuration de la régression d’expectile permettant de définir un bon compromis entre obtenir une bonne précision de la régression avec un pourcentage le plus bas possible d’expectile pour obtenir un algorithme stable ayant une capacité d’optimiser l’erreur et un nombre de points maximal pour réaliser une régression avec une capacité de convergence rapide. En effet, plus l’expectile est faible, plus le nombre de points est faible et la régression potentiellement peu précise.
Selon un mode de réalisation, la fonction associant les paramètres physiques externes observés à l’indicateur KPIA est configurée à partir d’un modèle additif généralisé GAM d’expectile. Les fonctions GAM correspondent alors à l’ensemble des fonctions qu’on cherche à définir selon un critère d’optimisation réalisée par la fonction de perte et la modélisation de l’erreur lors de la régression. Selon d’autres modes de réalisation, d’autres fonctions pourraient être mises en œuvre dans le cadre de l’invention.
Selon un mode de réalisation, la régression est modélisée à partir d’une fonction de perte entre les valeurs de l’observable KPh et la valeur estimée de l’indicateur de fonctionnement considéré KPhA dans le pourcentage d’expectile retenu. Cette fonction de perte permet de déterminer la meilleure fonction de normalisation, c’est-à-dire le meilleur modèle de normalisation, c’est à dire les paramètres du modèle de normalisation. Le modèle de normalisation comprend des coefficients ou des paramètres qui sont calculés en faisant la régression de sorte que l’indicateur de fonctionnement estimé KPhA corresponde aux valeurs de l’indicateur de fonctionnement mesurées ou calculées KPhA dans le pourcentage d’expectile retenu pour différentes valeurs des paramètres physiques externes PARA. La fonction de perte permet alors de faire converger une erreur afin de réduire les deux valeurs des indicateurs estimés KPhA et calculés KPh.
L’erreur d’estimation prend en compte une pondération des surestimations de manière différenciée vis-à-vis des sous-estimations.
La fonction de perte, peut être modélisée selon un exemple ainsi :
■ FLOS = 21W (y observé — yestimé) * (yobservé — yestimé)2
Où :
W(yobservé — yestimé) = Apha, Si (yobservé — yestimé) > 0
W(yobservé — yestimé) = 1 - Apha, Si (yobservé — yestimé) < 0
On parle d’expectile Alpha.
La modélisation de l’erreur peut comprendre différents exemples de réalisation. Selon un exemple, une modélisation de l’erreur peut être une minimisation des moindres carrés peut être mise en œuvre.
Un avantage d’un modèle GAM est de permettre de faire une régression, quel que soit le nombre de paramètres physiques externes. Un avantage est donc de pouvoir prendre en compte une modélisation dans laquelle un indicateur de fonctionnement KPh est possiblement influencé par plusieurs paramètres physiques externes, par exemple entre 2 et 5 paramètres physiques externes. Un autre avantage de l’utilisation d’un modèle GAM est de s’affranchir du type de fonction liant chaque indicateur de fonctionnement KPh avec les paramètres physiques externes PARA et ce quelles que soient les relations entre l’indicateur et les paramètres physiques externes. En effet, que les relations soient linéaires ou non, le modèle GAM s’applique.
Le GAM est particulièrement intéressant pour retirer l’effet des variations de chaque valeur de paramètres physiques sur les valeurs de l’indicateur de fonctionnement KPh considéré, toute chose étant considérée égale par ailleurs, c’est-à-dire en prenant en considération une même évolution ou une même valeur des autres paramètres lors du retrait de l’effet d’un paramètre donné.
Lors de la modélisation d’un modèle GAM, les données produites en sortie du modèle comprennent d’une part un paramétrage des dépendances {x, y} de chaque paramètre physique {PARAi, PARA2} sur l’observable, c’est-à-dire l’indicateur de fonctionnement KPh et d’autre part une valeur produite de l’observable c’est-à-dire le KPhA estimé.
En d’autres termes, le modèle GAM permet de générer un modèle selon lequel, l’indicateur KPh est dépendant à un facteur x du premier paramètre PARA1 et dépendant à un facteur y du second paramètre PARA2. Ces facteurs peuvent ensuite être utilisés pour venir pondérer chaque valeur de paramètres physiques considérés dans sa relation de dépendance avec l’indicateur KPh pour prédire une nouvelle valeur estimée de l’indicateur KPhA. La régression permet alors de faire converger l’erreur entre les valeurs connues de l’indicateur KPh et la valeur estimée de l’indicateur KPhA.
Selon un autre exemple, une régression basée sur un modèle additif généralisé GAM de quantile peut également être configurée. Selon un autre exemple, une régression logistique peut être configurée.
La régression est réalisée préférentiellement selon sur une durée dite de lissage DL qui prend en compte des données du début de la durée de vie des membranes.
Un intérêt est d’obtenir des valeurs d’entrainement du modèle de normalisation non encore affectées par le vieillissement des membranes. Ainsi l’indicateur de fonctionnement intermédiaire KPhA et donc la courbe de référence CREF permettent de générer un indicateur normalisé KPh’ ou KPho’ restituant une évolution de l’état des membranes depuis leur état initial. Un avantage est de permettre de mieux suivre l’évolution de leur dégradation ou de leur colmatage. Toutefois, afin d’avoir un modèle de normalisation stable et convergent de la régression, un ensemble de données minimal est nécessaire. Ainsi, la période prise en considération peut aller de quelques jours à quelques années dans une gamme large et de quelques mois à 1 an dans une gamme plus étroite. Ces durées dépendent de la taille de l’usine, du volume de données, etc.
Selon une alternative, les valeurs d’entrainement ne se focalisent pas forcément sur le début du cycle de vie des membranes, mais sur une portion de leur cycle de vie comprenant plusieurs opérations de maintenance telles que des nettoyages. Un intérêt est de construire un modèle modélisant les évolutions d’encrassement des membranes sans pour autant mesurer leur vieillissement précisément.
Utilisation du modèle appris au-delà de la durée de lissage
Selon un exemple, le modèle de normalisation a été appris sur la période de lissage DL. La période de lissage DL correspond à la période d’apprentissage dans laquelle la régression permet de calibrer le modèle de normalisation. Selon un mode de réalisation, la période/fréquence des nettoyages peut être intégrée dans cet apprentissage de sorte que les données d’entrainement comprennent plusieurs cycles de nettoyage.
Le modèle de normalisation appris par la régression peut alors être utilisé sur la totalité de la durée d’acquisition DA et/ou en temps réel à partir de nouvelles données acquises pour calculer les valeurs KPLA correspondant à la représentation de la courbe de référence CREFI. Chaque modèle de normalisation peut être appris selon une période de lissage DL donné dépendant de l’indicateur de fonctionnement KPh considéré. Selon un mode préféré, la période d’apprentissage DL est la même pour chaque modèle de normalisation construit MODNI associé à un indicateur de fonctionnement donné KPh. Le procédé de l’invention permet donc de générer autant de modèles de normalisation appris que d’indicateurs de fonctionnement calculés.
Les valeurs de l’indicateur normalisé KPh’ ou KPho’ sont obtenues ensuite par des opérations entre l’indicateur de fonctionnement KPh calculé et l’indicateur de fonctionnement intermédiaire KPhA. Selon un mode de réalisation détaillé ci-après, les indicateurs de fonctionnement normalisés KPh’ permettent d’entraîner un modèle d’apprentissage machine, dénommé modèle de prédiction MODpi ou MODpLTi, pour prédire l’évolution de l’indicateur de fonctionnement normalisé KPh’ ou KPho’ au-delà de la période d’acquisition DA.
Par application du modèle de normalisation MODNI appris sur la période de lissage, le procédé de l’invention permet de générer des valeurs de chaque indicateur intermédiaire KPLA permettent donc de représenter un indicateur pour un ensemble de membranes considérées comme neuves et/ou, nettoyées et/ou propres sur une période allant au-delà de la période de lissage DL, par exemple sur la période d’acquisition. En entrée du modèle de normalisation sont donc introduits les valeurs de l’indicateur de fonctionnement KPh et possiblement des paramètres physiques externes PARAi. En sortie du modèle de normalisation, les valeurs de l’indicateur de fonctionnement intermédiaire sont produites KP LA.
Afin d’obtenir un indicateur de fonctionnement normalisé KPh’, le procédé de l’invention comprend une opération visant à combiner ensemble les valeurs de l’indicateur de fonctionnement KPh et les valeurs de l’indicateur de fonctionnement intermédiaire KPhA obtenu par le modèle de normalisation appris MOÜNi correspondant à un ensemble de membranes neuves et/ou propres et/ou nettoyées afin de produire une nouvelle série temporelle SERIE2A.
On nomme la troisième temporelle SERIE3 les valeurs de la série temporelle de l’indicateur de fonctionnement normalisé KPh’ ou KPho’ que le procédé cherche à obtenir.
Selon un exemple de réalisation, chaque modèle de normalisation a été appris sur la période de lissage DL et permet de calculer les valeurs de ces indicateurs de fonctionnement intermédiaire KP IIA, KPLA, KP ISA, KPkA Sur la totalité de la durée d’acquisition DA à partir des valeurs des paramètres physiques externes PARA considérés et des valeurs des premier, second, troisième et quatrième indicateurs KPh, KPh, KPh, KPI4 en entrée du modèle de normalisation appris sur la totalité de la période d’acquisition DA. Les valeurs des indicateurs intermédiaires KP A, KPLA, KPI3A, KPUA permettent de représenter des indicateurs pour un ensemble de membranes considérées comme neuves et/ou nettoyées et/ou propres. Afin d’obtenir un indicateur de fonctionnement normalisé KPh’ ou KPho réduisant les effets induits par les influences des paramètres physiques externes le procédé de l’invention comprend une opération visant à combiner ensemble les valeurs de l’indicateur de fonctionnement KPh et les valeurs obtenues de l’indicateur de fonctionnement intermédiaire KP A par le modèle de normalisation appris correspondant à un ensemble de membranes neuves et/ propres et/ou nettoyées afin de produire une nouvelle série temporelle SERIE3.
3eme série temporelle KPIjA, indicateur de fonctionnement normalisé : KPIj’
Lorsque l’indicateur de fonctionnement intermédiaire KP A représenté par la courbe de référence CREFI est produit pour chaque indicateur de fonctionnement KPh considéré, le procédé de l’invention permet de générer un indicateur de fonctionnement normalisé KPh’ ou KPho’. A cette fin la série temporelle SERIE2A produite par le modèle de normalisation appris, est utilisée pour obtenir une nouvelle série temporelle SERIE3 définissant l’indicateur de fonctionnement normalisé KPh’ à partir d’une opération avec une autre série temporelle, par exemple la seconde série temporelle SERIE2 .
L’étape de génération de l’indicateur de fonctionnement normalisé KPh’ est notée GEN1 sur la figure 1 .
La figure 8 illustre une première courbe représentant les valeurs du premier indicateur KPh et une seconde courbe représentant les valeurs du premier indicateur KPLA, lesdites valeurs étant obtenues avec le modèle de normalisation appris.
Selon un premier exemple, la troisième série temporelle SERIE3 est générée en appliquant des opérations entre la seconde série temporelle SERIE2 et la série temporelle SERIE2A correspondant aux valeurs corrigées produites par le modèle de normalisation appris, par exemple en les soustrayant.
Selon ce second exemple, la troisième série temporelle SERIE3 correspond à la soustraction de ces deux séries SERIE2 et SERIE2A et permet d’aboutir aux écarts du premier indicateur KPh imputé aux encrassements des membranes. C’est-à-dire au terme correctif précédemment introduit TC = KPh - KPliA. On obtient KPh’ = TC = KPh - KPIIA pour le premier indicateur de fonctionnement.
L’indicateur normalisé KPh’ représente le terme associé au premier indicateur et lié à l’usure et au colmatage des membranes du premier ensemble de membranes ENSi. L’indicateur de fonctionnement normalisé KP ’ est supposé indépendant des conditions d’opérations et des conditions environnementales.
Selon un second exemple, la troisième série temporelle SERIE3 peut correspondre à une série temporelle issue de la soustraction des deux séries SERIE2 et SERIE2Aà laquelle a été ajoutée une composante KPho dans des conditions environnementales moyennes ou standard. Cette dernière composante prend également la forme d’une série temporelle.
Cette solution permet de réintroduire des conditions environnementales standard pour obtenir des valeurs d’indicateurs de fonctionnement normalisés dans des ordres de grandeur habituels formant des comparables entre eux. Dans ce cas, il est possible d’ajouter les valeurs de l’indicateur prises selon des conditions standard de référence des paramètres physiques, tels qu’une température standard d’opération To et un débit moyen standard d’opération Qno.
On a alors pour chaque indicateur de fonctionnement, l’égalité :
KPho’ = KPh - KPliA + KP Ao
La figure 9 représente le premier indicateur normalisé KPho’ sous la forme d’une telle 3eme série temporelle SERIE3 obtenue selon le 2eme exemple, c’est-à-dire obtenu par la soustraction des valeurs du paramètre corrigées KPIIA issues de la série SERIE2A aux des valeurs KPh de la seconde série temporelle SERIE2 et en additionnant les valeurs KPLAO du premier indicateur correspondant à un état des membranes neuves et/ou propres et/ou nettoyées calculées avec des conditions environnementales standard, c’est- à-dire avec une température standard d’opération To et un débit moyen standard d’opération Qno.
On comprend à la lecture de la figure 9 que l’indicateur normalisé KPho’ permet d’apprécier l’évolution de l’ensemble de membranes indépendamment des variations des conditions environnementales. Un intérêt est donc de visualiser les évolutions de l’état des membranes notamment de leur vieillissement et de leur encrassement indépendamment des variations des conditions environnementales.
En particulier, un avantage de la génération d’un indicateur normalisé est de restituer un indicateur de suivi indépendant de variables telles que la température de l'eau Ti, du débit d’alimentation Qf, de la pression d’entrée Pf et de la conductivité d’entrée Cf. Un tel indicateur présente l’avantage de varier principalement en fonction de l’état d’usure et de colmatage, ce qu’on cherche à obtenir pour prévenir des remplacements et des nettoyages des membranes.
Avantageusement, ces données de l’indicateur de fonctionnement normalisé KPho’ peuvent être affichées de sorte à produire un indicateur évoluant dans le temps. Un afficheur AFFi est représenté à la figure 3 afin d’illustrer un exemple de console d’exploitation pouvant être utilisée par un opérateur.
Horodatage des évènements
Selon un mode de réalisation, l’usine comprend un ensemble d’opérations de maintenance qui sont des opérations de nettoyage et/ou de remplacement des membranes. Ces opérations améliorent la filtration de l’eau et permettent d’utiliser les membranes dans leur meilleure plage de fonctionnement. Le procédé de l’invention vise à définir une méthode permettant de prédire les opérations de maintenance. A cette fin, le procédé de l’invention comprend une étape d’apprentissage d’une fonction apprenante. Cet apprentissage peut correspondre à l’opération de régression de l’étape de normalisation ou à un apprentissage d’un modèle de prédiction ci-après détaillé. Afin d’obtenir un ensemble de données d’entraînement de bonne qualité, les données relatives aux opérations de maintenance sont horodatées selon une référence temporelle exploitable par les opérations traitant des séries temporelles, notamment des premières et secondes séries temporelles SERIEi, SERIE2. L’étape d’horodatage est notée HOR1 sur la figure 1.
En conséquence, lorsque de telles opérations sont réalisées dans l’usine, le procédé de l’invention permet d’horodater ces évènements et de les labell iser de sorte à produire un ensemble de données horodatées qui peuvent être utilisées ensuite pour la mise en œuvre d’un apprentissage d’une fonction apprenante tel qu’un modèle d’apprentissage machine pour réaliser une étape de prédiction d’une future opération de maintenance. Le procédé de l’invention comprend une étape d’enregistrement des données horodatées selon une même référence temporelle de manière à faire correspondre les événements horodatés avec une référence temporelle relative à l’horodatage de chaque série temporelle.
Un intérêt de l’horodatage des évènements est d’apprendre un modèle d’apprentissage machine en prenant en compte d’évènements de maintenance explicatifs de la discontinuité des données brutes acquises et enregistrées. Ceci est particulièrement pertinent dans le cas d’une exploitation long terme qui vise à mesurer l’évolution de l’indicateur de fonctionnement normalisé sur une longue période.
L’horodatage des données de maintenance peut être utilisé dans un algorithme de prédiction court terme pour définir un ensemble de données d’entrainement entre deux horodatages afin que les données collectées lors d'opérations de maintenance ne bruitent pas la prédiction.
L’étape d’horodatage des évènements de maintenance n’est pas nécessaire à la mise en œuvre du procédé de l’invention qui viserait uniquement à produire l’indicateur normalisé, toutefois il permet d’obtenir une meilleure interprétation et/ou un meilleur apprentissage pour générer des valeurs de l’indicateur de fonctionnement normalisé.
Prédiction court terme
Selon un mode de réalisation, les données normalisées de l’indicateur de fonctionnement KPh’ sont utilisées pour apprendre une fonction apprenante FA2 telle qu’un modèle d’apprentissage machine, dit modèle de prédiction MODpi. Un tel modèle de prédiction MODpi est défini par des coefficients ou des paramètres qui sont appris sur une période d’entrainement, notée première période de prédiction Dp. Dans le cas d’une prédiction court terme, le procédé de l’invention permet d’obtenir une prédiction fiable de l’évolution de l’indicateur normalisé KPh’ ou KPho’. Cette valeur prédite est notée KPhpi .
L’étape GEN2 sur la figure 1 représente à la fois l’étape de prédiction court terme et/ou l’étape de prédiction long terme.
L’intérêt d’une telle fonction prédictive est de permettre d’anticiper le prochain nettoyage des membranes du premier ensemble de membranes ENS1. Selon différents exemples de réalisation, le modèle de prédiction MODpi peut être un modèle d’apprentissage machine construit à partir d’une fonction mettant en œuvre un second modèle additif généralisé, noté GAM2, et à partir des données d’entrainement correspondant aux valeurs calculées de l’indicateur normalisé KPh’ ou KPho’.
Selon un autre exemple, le modèle de prédiction MODpi peut être construit à partir d’une régression réalisée par un modèle de machine à vecteurs de support SVM à partir des données d’entrainement correspondant aux valeurs calculées de l’indicateur normalisé KPh’ ou KPho’.
Selon un exemple d’implémentation, un vecteur d’entrée comprend les données calculées de l’indicateur normalisé KPh’ ou KPho’, lesdites données étant acquises sur une fenêtre temporelle qui peut être une fenêtre glissante incluant les dernières acquisitions. En sortie du modèle de prédiction MODpi, les données prédites des valeurs de l’indicateur de fonctionnement KPhpi par exemple sur plusieurs jours peuvent être générées.
Avantageusement, ces données de prédiction court terme et/ou long terme peuvent être affichées de sorte à produire un indicateur évoluant dans le temps et permettant de planifier les opérations de maintenance à réaliser. Un afficheur AFF1 est représenté à la figure 3 afin d’illustrer un exemple de console d’exploitation pouvant être utilisée par un opérateur.
Prédiction long terme
Selon un mode de réalisation, les données brutes reçues, acquises ou lues dans une mémoire de l’indicateur de fonctionnement KPh et des données normalisées des indicateurs de fonctionnement, KPh’ ou KPho’ calculés sont utilisées. Les données peuvent être utilisées pour apprendre une fonction apprenante FA3 telle qu’un modèle d’apprentissage machine. Un tel modèle de prédiction MODPLTI est défini par des coefficients ou des paramètres qui sont appris sur une période d’entrainement, notée seconde période de prédiction DPLT. Dans le cas d’une prédiction long terme, le procédé de l’invention permet d’obtenir une prédiction de l’évolution de l’indicateur normalisé KPh’ ou KPho’. Cette valeur prédite est notée KPhP2. Le modèle de prédiction MODpi court terme et le modèle de prédiction long terme MODpLTi sont obtenus à partir d’entrainements différents et correspondent donc à des modèles différents. L’intérêt d’une telle fonction prédictive FA3 est de permettre d’anticiper le prochain remplacement des membranes du premier ensemble de membranes ENS1.
Selon différents exemples de réalisation, le modèle d’apprentissage machine peut être une fonction mettant en œuvre un réseau de neurones récurrent comportant une fonction de régression basée sur une méthode autorégressive. Selon un autre exemple, une régression réalisée par un modèle de type LSTM.
Selon un exemple d’implémentation, un vecteur d’entrée comprend les données calculées de l’indicateur normalisé KPh’ ou KPho’, lesdites données étant acquises sur une fenêtre temporelle définie entre deux évènements de maintenance et une série temporelle encodant la nature des opérations de maintenance et les horodatages associés à ces opérations. Les données prédites des valeurs de l’indicateur de fonctionnement KPhP2 peuvent comprendre une longue période de prédiction.
Avantageusement, ces données peuvent être affichées de sorte à produire un indicateur évoluant dans le temps et permettant de planifier les opérations de maintenance à réaliser.
L’invention se rapporte également à un système pour le traitement d’un volume d’eau d’alimentation en un volume d’eau traitée par filtration aux moyens d’une pluralité d’ensembles de membranes. Le système de traitement de l’eau comprend un système de traitement de données comportant les moyens matériels pour réaliser les étapes du procédé de l’invention.
L’invention se rapporte donc bien à un premier système de traitement de données et à un second système de traitement d’eau, également appelé « usine ».
Le système de traitement de l’eau comporte des moyens permettant d’acheminer un volume d’eau, telle qu’une canalisation hydraulique, vers une entrée d’eau pour recevoir un débit d’eau entrant au sein d’au moins un premier ensemble de membranes.
Le système de traitement d’eau comporte en outre une première sortie d’eau filtrée, dite perméat, et une seconde sortie d’eau résiduelle, dite concentrât. Le système de traitement d’eau comprend également un ensemble de capteurs d’état de paramètres externes, dont un capteur en température de l’eau et au moins un capteur de pression. Le système de traitement d’eau comporte en outre un système de traitement de données comportant un calculateur, une mémoire, une horloge et une interface de communication pour recevoir des données sous la forme de série temporelle des différents capteurs. Le système de traitement de données comporte également une interface de communication pour transmettre les données vers un serveur, ledit système comportant le serveur pour réaliser des étapes de calculs d’un indicateur normalisé selon le procédé de l’invention.

Claims

REVENDICATIONS Procédé de traitement automatisé de données caractérisant l’état d’une pluralité de membranes pour la filtration d’un volume de liquide caractérisé en ce qu’il comprend :
■ réception (ACQi) d’un premier ensemble de données (DATAi) provenant de capteurs d’état (20, 21 , 22) agencés au sein ou à proximité d’un premier ensemble de membranes (ENSi), ledit ensemble de membranes recevant un débit d’eau entrant (Qf) et générant un premier débit d’eau sortant (Qp), dit perméat, et un second débit d’eau sortant (Qc), dit concentrât, ledit premier ensemble de données (DATAi) se rapportant à des paramètres physiques externes (Pi, Qi, Ti, Ci), lesdites acquisitions (ACQi) de données étant réalisées selon une pluralité de premières séries temporelles (SERIEi) de données émises par chaque capteur à des fréquences prédéfinies ;
■ Détermination (EST1) d’au moins un indicateur de fonctionnement (KPh) du premier ensemble de membranes (ENS1), ledit indicateur de fonctionnement (KPh) définissant une seconde série temporelle (SERIE2) de données calculées ou estimées ;
■ Enregistrement (ENR1) des premières et secondes séries temporelles de données (SERIE1, SERIE2) sur une durée d’acquisition donnée (DA), chaque série temporelle (SERIE1, SERIE2) de données définissant un nuage de points ;
■ Génération (GENA) d’un indicateur de fonctionnement intermédiaire (KP A) définissant un nuage de points (SERIE2A) correspondant à des valeurs de l’indicateur de fonctionnement (KPh) pour lesquelles le premier ensemble de membranes (ENS1) est considéré comme neuf et/ou propre et/ou nettoyé, lesdites valeurs de l’indicateur de fonctionnement intermédiaire (KPhA) étant produites par l’application d’un modèle de normalisation (MODNI) appris et à partir de l’indicateur de fonctionnement (KPh) ; ■ Génération (GENi ) d’un indicateur de fonctionnement normalisé (KPh’, KPho’) caractérisant l’état d’une pluralité de membranes pour la filtration d’un volume de liquide, ledit état caractérisant l’encrassement et/ou le vieillissement de l’état des membranes indépendamment des variations des conditions environnementales, ledit indicateur de fonctionnement normalisé (KPh’, KPho’) définissant une troisième série temporelle (SERIE3), ledit indicateur de fonctionnement normalisé (KPh’, KPho’) étant obtenu à partir de l’indicateur de fonctionnement (KPh) et de l’indicateur de fonctionnement intermédiaire (KPIIA). Procédé selon la revendication 1 caractérisé en ce que le modèle de normalisation (MODNI) est appris pour chaque indicateur de fonctionnement (KPh) au moyen d’une régression (REGi) sur les données de la seconde série temporelle (SERIE2) relatif à l’indicateur de fonctionnement (KPh) selon au moins un premier paramètre physique externe prédéfini (Pi, Qi, Ti, Ci) issu de la première série temporelle (SERIE1), ladite régression (REG1) étant configurée sur une durée de lissage (DL) pour déterminer un ensemble de valeurs correspondant sensiblement à un facteur près à des minimums ou des maximums des valeurs de la seconde série temporelle (SERIE2), lesdites valeurs déterminées correspondant à une configuration de membrane(s) neuve(s) et/ou propre(s) et/ou nettoyée(s). Procédé selon la revendication 1 ou 2, caractérisé en ce que le modèle de normalisation (MODNI) est appris pour chaque indicateur de fonctionnement (KPh) à partir d’un ensemble de données d’entrainement dudit indicateur de fonctionnement (KPh) sur une période de lissage (DL) comportant au moins une opération de maintenance et/ou remplacement sur ledit premier ensemble de membranes (ENS1). Procédé selon la revendication 1 caractérisé en ce que la détermination de l’indicateur de fonctionnement (KPh) comporte la détermination d’un premier indicateur de fonctionnement (KPh) définissant une pression différentielle (DPi) entre l’entrée et une sortie de l’ensemble de membranes (ENSi) et représentée sous la forme d’une seconde série temporelle (SERIE2) de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de de débit (Qi, Qp, Qf, Qn) et une mesure de température (Ti), lesdits paramètres physiques externes (DATA1) étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire (KPIIA) du premier indicateur de fonctionnement (KPh) à partir de la régression réalisée sur les valeurs de la pression différentielle (DP). Procédé selon l’une quelconque des revendications 1 à 4 caractérisé en ce que la détermination de l’indicateur de fonctionnement (KPh) comporte la détermination d’un second indicateur de fonctionnement (KPh) définissant une pression du flux entrant (Pf) dans le premier ensemble de membranes (ENS1) et représenté sous la forme d’une seconde série temporelle (SERIE2) de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de la température (Ti), une mesure de la concentration du flux entrant (Cf) dans le premier ensemble de membranes (ENS1), le débit du flux du perméat (Qp) et le débit du flux du concentrât (Qc) du premier ensemble de membranes (ENS1), lesdits paramètres physiques externes (DATA1) étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire (KPLA) du second indicateur de fonctionnement (KPh) à partir de la régression réalisée sur les valeurs de la pression du flux entrant (Pf) dans le premier ensemble de membranes (ENS1). Procédé selon l’une quelconque des revendications 1 à 5 caractérisé en ce que la détermination de l’indicateur de fonctionnement (KPh) comporte la détermination d’un troisième indicateur de fonctionnement (KPh) définissant un débit du flux du perméat (Qp, SF) en sortie du premier ensemble de membranes (ENS1) et représentée sous la forme d’une seconde série temporelle (SERIE2) de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de la température (Ti), une mesure de la concentration du flux entrant (Cf) dans le premier ensemble de membranes (ENSi), le débit du flux du perméat (Qp) et le débit du flux du concentrât (Qc) du premier ensemble de membranes (ENSi), lesdits paramètres physiques externes (DATAi) étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire (KPISA) du troisième indicateur de fonctionnement (KPh) à partir de la régression réalisée sur les valeurs du débit du flux du perméat (Qp) en sortie du premier ensemble de membranes (ENSi). Procédé selon l’une quelconque des revendications 1 à 6 caractérisé en ce que la détermination de l’indicateur de fonctionnement (KPh) comporte la détermination d’un quatrième indicateur de fonctionnement (KPU) définissant un passage en sel dans le perméat (SPp) en sortie du premier ensemble de membranes (ENSi) et représentée sous la forme d’une seconde série temporelle (SERIE2) de données calculées ou estimées, les paramètres physiques externes considérés comportant au moins une mesure de la température (Ti), une mesure de la concentration du flux entrant (Cf) dans le premier ensemble de membranes (ENSi), le débit du flux du perméat (Qp) et le débit du flux du concentrât (Qc) du premier ensemble de membranes (ENSi), lesdits paramètres physiques externes (DATA1) étant utilisés pour le calcul des valeurs de l’indicateur intermédiaire (KPUA) du quatrième indicateur de fonctionnement (KPh) à partir de la régression réalisée sur les valeurs du passage en sel dans le perméat (SPp) en sortie du premier ensemble de membranes (ENSi). Procédé de traitement automatisé de données selon l’une quelconque des revendications 1 à 7, caractérisé en ce que le premier ensemble de données (DATA1) se rapporte à des paramètres physiques externes (PARA1) comportant :
■ une mesure de débit entrant (Qf), du débit du perméat (Qp) et :ou du débit du concentrât (Qc), et/ou
■ une mesure de la conductivité d’un volume d’eau (Ci), et/ou ; ■ une mesure d’une quantité de carbone organique totale (COT), et/ou ;
■ une valeur cible correspondant à un taux de conversion du volume d’eau d’alimentation en un volume d’eau traité, et/ou ;
■ une valeur caractéristique du flux entrant, également appelé « flux de perméation », et/ou ;
■ une valeur caractéristique de la perméabilité de la membrane à l’eau.
9. Procédé selon l’une quelconque des revendications 1 à 8 caractérisé en ce que la troisième série temporelle (SERIE3) correspond :
■ à la série temporelle obtenue en soustrayant la série temporelle (SERIE2A) correspondant aux valeurs corrigées produites par le modèle appris (MODNI) à la seconde série temporelle (SERIE2), et/ou ;
■ à la série temporelle obtenue en soustrayant la série temporelle (SERIE2A) correspondant aux valeurs corrigées produites par le modèle appris (MODNI) à la seconde série temporelle (SERIE2) et à laquelle a été ajoutée une composante de référence (KP AO) correspondant à une série de temporelle de l’indicateur de fonctionnement correspondant un état des membranes neuves et/ou propres et/ou nettoyées, ladite composante étant calculée dans des conditions environnementales moyennes ou standard.
10. Procédé selon l’une quelconque des revendications 2 à 9 caractérisé en ce que la régression sur l’indicateur de fonctionnement (KPh) est réalisée selon une pluralité de paramètres physiques externes (PARA) dont dépend l’indicateur de fonctionnement (KPh).
11 . Procédé selon l’une quelconque des revendications 2 à 9, caractérisé en ce que la régression est mise en œuvre au moyen d’une première fonction apprenante (FA1) comportant un modèle d’apprentissage machine comportant des paramètres appris grâce à la mise en œuvre d’une fonction de perte. Procédé selon la revendication 11 , caractérisé en ce que la régression est une régression d’expectile, la régression étant réalisée à partir d’une fonction de perte d’expectile et une fonction d’erreur entre la valeur de l’indicateur de fonctionnement (KPh) et une valeur estimée par le modèle de régression (KPhA) pour des valeurs de l’indicateur de fonctionnement (KPh) considérées dans un expectile donné de la distribution de valeurs de l’indicateur de fonctionnement (KPh). Procédé selon l’une quelconque des revendications 2 à 12 caractérisé en ce que la régression est effectuée sur les données de la seconde série (SERIE2) de données de l’indicateur de fonctionnement (KPh) selon une pluralité de paramètres physiques externes prédéfinis ({PARAJi) d’une pluralité de premières séries temporelles ({SERIEi i) obtenues par une pluralité de capteurs, ladite régression étant réalisée à partir d’un modèle additif généralisé (GAM) modélisant des fonctions dont on cherche à optimiser les paramètres au moyen d’une fonction de perte d’expectile entre la valeur de l’indicateur de fonctionnement calculé (KPh) et la valeur de l’indicateur de fonctionnement estimé (KPhA) dans la gamme de valeurs de l’expectile prédéfini et pour des valeurs de paramètres physiques externes données ({PARA}i), ladite régression modélisant en outre une fonction d’erreur et ladite régression étant exécutée sur une durée dite de lissage (Di_), ladite régression (REG) générant un ensemble de valeurs d’un nuage de points définissant l’indicateur intermédiaire, ledit ensemble de valeurs correspondant à un état neuf et/ou propre et/ou nettoyé du premier ensemble de membranes (ENS1). Procédé selon l’une quelconque des revendications 1 à 13, caractérisé en ce que la durée de lissage (DL) est déterminée de sorte à comprendre une pluralité de marqueurs d’évènements (EVNi) relatifs à la maintenance des ensembles de membranes, ladite durée de lissage (DL) étant inférieure à la durée d’acquisition (DA). Procédé selon l’une des revendications 1 à 14 caractérisé en ce qu’il comprend un horodatage (HOR1) d’évènements (EVNi) relatifs à la maintenance des ensembles de membranes, lesdits évènements correspondant à des nettoyages (NETi) et/ou des remplacements (REPi), chaque horodatage (HORi) étant réalisé selon une référence temporelle marquée au sein de la durée d’acquisition (DA).
16. Procédé selon l’une quelconque des revendications 1 à 15 caractérisé en ce qu’il comprend la génération de valeurs d’un indicateur de fonctionnement prédit (KPhPi, KPhP2) par application d’une seconde fonction apprenante (FA2) entrainée à partir des valeurs de l’indicateur de fonctionnement normalisé (KPh’, KPho’) correspondant à la troisième série temporelle (SERIE3) considérée sur une durée de prédiction (Dp), ladite seconde fonction apprenante (FA2) générant des données prédites (KPhPi) d’évolution de l’indicateur normalisé (KPh’, KPho’) .
17. Procédé de traitement selon la revendication 16 caractérisé en ce que les données d’entraînement pour entrainer la seconde fonction apprenante (FA2) sont sélectionnées entre les deux derniers horodatages d’évènements associés respectivement à deux nettoyages successifs, un nouvel entrainement de la seconde fonction apprenante (FA2) étant déclenché après chaque nouvel évènement associé à un nettoyage.
18. Procédé de traitement selon l’une quelconque des revendications 16 à 17 caractérisé en ce qu’il comprend une comparaison d’au moins une valeur prédite (KP p, KPhP, KPhP, KPkP) d’un indicateur normalisé avec au moins un seuil prédéfini (Si, S2, S3, S4), ladite comparaison permettant de générer une date de nettoyage.
19. Procédé de traitement selon la revendication 18 caractérisé en ce que le seuil prédéfini (Si , S2, S3, S4) est un seuil variable dont la valeur est générée par l’exécution d’une fonction dépendante de paramètres prédéfinis. 20. Procédé de traitement selon l’une des revendications 16 à 19 caractérisé en ce que la seconde fonction apprenante (FA2) est une fonction mettant en œuvre un second modèle additif généralisé (GAM2).
21 . Procédé de traitement selon la revendication 1 et 18 caractérisé en ce qu’il comprend un calcul d’un indice de vieillissement d’un ensemble de membranes (ENS1) à partir d’une troisième fonction apprenante (FA3), ladite troisième fonction apprenante (FA3) comportant un ensemble de données d’entrainement comportant les valeurs extraites du premier ensemble de données (DATA1) utilisées pour estimer l’indicateur considéré (KPh, KPh, KPh, KPI4), les données d’entrainement étant sélectionnées sur la période d’acquisition (DA) et prenant en compte les horodatages des évènements survenus pendant la période d’acquisition (DA).
22. Procédé de traitement selon la revendication 18 caractérisé en ce que la troisième fonction apprenante (FA3) est un réseau de neurones récurrent comportant une fonction de régression basée sur une méthode autorégressive.
23. Système de traitement de données caractérisé en ce qu’il comporte un calculateur, une mémoire, une horloge et une interface de communication pour recevoir des données sous la forme de série temporelle, ledit système de traitement de données comportant une interface de communication pour transmettre les données vers un serveur, ledit système de traitement de données comportant le serveur pour réaliser des étapes de calculs d’un indicateur de fonctionnement normalisé selon le procédé de l’une quelconque des revendications 1 à 22.
24. Système selon la revendication 23, caractérisé en ce qu’il comprend un afficheur pour générer en temps réel une représentation d’au moins un indicateur normalisé (KPIi‘, KPlio'). Système pour le traitement d’un volume d’eau d’alimentation en un volume d’eau traitée par filtration aux moyens d’une pluralité d’ensembles de membranes, ledit système de traitement d’eau comportant une entrée d’eau pour recevoir un débit d’eau entrant dans au moins un ensemble de membranes donné, une première sortie d’eau filtrée, dite perméat, et une seconde sortie d’eau résiduelle, dite concentrât, ledit système de traitement d’eau comportant en outre un ensemble de capteurs d’état de paramètres externes dont un capteur en température de l’eau et au moins un capteur de pression, ledit système de traitement d’eau comportant un système de traitement de données selon l’une quelconque des revendications 23 à 24. Système selon l’une quelconque des revendications 23 à 25, caractérisé en ce qu’il comprend une pluralité de membranes organisée selon une pluralité d’ensembles (ENSi, ENS2, ENS3) de membranes, chaque ensemble de membranes définissant un étage de traitement d’un volume d’eau en entrée et générant un flux de sortie. Système selon l’une quelconque des revendications 23 à 26, caractérisé en ce qu’il comprend au moins un second ensemble de membranes (ENS2) agencé en sortie du premier ensemble de membranes (ENS1), le concentrât (Qc) du premier ensemble de membranes (ENS1) définissant l’entrée du second ensemble de membranes (ENS2). Système selon l’une quelconque des revendications 23 à 26, caractérisé en ce qu’il comprend au moins un troisième ensemble de membranes (ENS3) agencé en parallèle du premier ensemble de membranes (ENS1), le concentrât (Qc) du premier ensemble de membranes (ENS1) et du troisième ensemble de membranes (ENS3) définissant l’entrée du second ensemble de membranes (ENS2).
EP23786081.2A 2022-10-10 2023-10-09 Procede de prediction d'operation de maintenance et de recommandation de maintenance d'equipements de traitement d'eau Pending EP4602537A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2210377A FR3140695B1 (fr) 2022-10-10 2022-10-10 Procede de prediction d’operation de maintenance et de recommendation de maintenance d’equipements de traitement d’eau
PCT/EP2023/077864 WO2024079030A1 (fr) 2022-10-10 2023-10-09 Procede de prediction d'operation de maintenance et de recommandation de maintenance d'equipements de traitement d'eau

Publications (1)

Publication Number Publication Date
EP4602537A1 true EP4602537A1 (fr) 2025-08-20

Family

ID=84360090

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23786081.2A Pending EP4602537A1 (fr) 2022-10-10 2023-10-09 Procede de prediction d'operation de maintenance et de recommandation de maintenance d'equipements de traitement d'eau

Country Status (7)

Country Link
US (1) US20260001042A1 (fr)
EP (1) EP4602537A1 (fr)
KR (1) KR102943239B1 (fr)
CN (1) CN120303676A (fr)
AU (1) AU2023359402A1 (fr)
FR (1) FR3140695B1 (fr)
WO (1) WO2024079030A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120960987A (zh) * 2024-05-15 2025-11-18 杨帆 具有现场可调参数的膜性能评估
CN119595858B (zh) * 2025-02-11 2025-05-06 国家海洋环境监测中心 一种基于浮标监测的水质预警方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5271607B2 (ja) * 2008-06-06 2013-08-21 日東電工株式会社 膜濾過装置管理システム及びこれに用いられる膜濾過装置、並びに、膜濾過装置管理方法
GB2598267A (en) * 2018-06-08 2022-03-02 Bp Exploration Operating Co Ltd Predictive tool for monitoring RO and NF membranes
KR101995355B1 (ko) * 2019-02-11 2019-07-02 두산중공업 주식회사 역삼투 공정의 막 오염 예측방법
JP7576951B2 (ja) * 2020-09-28 2024-11-01 オルガノ株式会社 膜ろ過装置
US20220236700A1 (en) * 2021-01-28 2022-07-28 Chevron U.S.A. Inc. Modelling of a fluid treatment system

Also Published As

Publication number Publication date
KR20250084954A (ko) 2025-06-11
US20260001042A1 (en) 2026-01-01
FR3140695A1 (fr) 2024-04-12
AU2023359402A1 (en) 2025-04-17
CN120303676A (zh) 2025-07-11
FR3140695B1 (fr) 2025-01-03
WO2024079030A1 (fr) 2024-04-18
KR102943239B1 (ko) 2026-03-26

Similar Documents

Publication Publication Date Title
WO2024079030A1 (fr) Procede de prediction d&#39;operation de maintenance et de recommandation de maintenance d&#39;equipements de traitement d&#39;eau
CA2954812C (fr) Procede pour detecter des anomalies dans un reseau de distribution, en particulier d&#39;eau potable
FR2957097A1 (fr) Systeme et procede de surveillance de ressources dans un reseau de distribution d&#39;eau
US11484843B2 (en) Method of predicting membrane fouling in reverse osmosis process
EP3688458A1 (fr) Detection et caracterisation ameliorees d&#39;anomalies dans un continuum d&#39;eau
US20210061677A1 (en) Systems and methods for real-time monitoring of water purification devices
CN116757898B (zh) 一种基于预测比对的汛期污染强度核算方法及系统
WO2018001627A1 (fr) Procede de controle de la concentration de bacteries dans un reseau de distribution d&#39;eau
CN109311704A (zh) 造水系统有无故障判断程序和故障判断装置、以及记录介质
FR3074818B1 (fr) Procede d&#39;evaluation de l&#39;etat d&#39;un systeme de distribution d&#39;eau
EP3712735A1 (fr) Méthode de détection d&#39;anomalies dans une installation de traitement des eaux
WO2024235116A1 (fr) Système permettant de déterminer un état de filtre
WO2019063648A1 (fr) Detection et caracterisation ameliorees d&#39;anomalies dans un continuum d&#39;eau
CN117233340A (zh) 一种有机污染物浓度的检测方法及系统
CN113361772B (zh) 一种混流管网水量的预测方法及装置
EP4055832B1 (fr) Procede de detection du blocage de dispositifs de comptage sur un reseau de distribution
EP4158639A1 (fr) Detection de changement de composition physico-chimique d&#39;un liquide
CN119167251B (zh) 一种地表水自动监测数据的异常诊断方法及其系统
WO2015092279A1 (fr) Procédé de localisation d&#39;une anomalie détectée dans une structure arborescente
WO2024061868A1 (fr) Procede de surveillance d&#39;une consommation fluidique d&#39;un batiment a surveiller, par classification par apprentissage supervise d&#39;evenements de consommation fluidique
Jun et al. Toward Transparent and Reproducible Machine Learning–Based Research in Urban Water Networks
Wang et al. Automated detection of anomalies in high-frequency water quality sensor data using machine learning
Kumar et al. Development of an Artificial Neural Network Model for Performance Analysis, Modeling and Evaluation of Membranes in Reverse Osmosis Desalination Plants
CN121955343A (zh) 发电厂热力机械设备润滑油品质在线监测方法及系统
CN116910634A (zh) 基于无监督学习和gan网络的计量表检测方法及系统

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250425

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAX Request for extension of the european patent (deleted)
RAV Requested validation state of the european patent: fee paid

Extension state: MA

Effective date: 20250425

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20260121