FR2978577A1 - Dispositif et procede de diagnostic d'un processus industriel evolutif - Google Patents

Abstract

Dispositif de diagnostic d'un processus industriel évolutif comportant une pluralité d'étapes techniques visant la production d'un composé industriel donné pour lequel une pluralité de données techniques d'état ou de caractérisation sont disponibles, le dispositif comprenant : - au moins un microprocesseur (22) et une mémoire (23) ; - un module interface; - un module compteur (11), permettant de vérifier l'atteinte d'un critère d'arrêt de calcul ; - un module de gestion (12), permettant de gérer les opérations et échanges de données entre les différents modules ; - une grille (20) de calcul, comportant une pluralité de modules de calculs de fenêtres de production (24), en vue de déterminer des fenêtres de productions favorables ; - un module de groupage (14), permettant de répartir les combinaisons de paramètres entre plusieurs groupes afin d'effectuer des calculs de convergence; - un module de convergence (15), permettant de vérifier si un taux de convergence prévu entre les groupes est atteint.

Description

DISPOSITIF ET PROCEDE DE DIAGNOSTIC D'UN PROCESSUS INDUSTRIEL EVOLUTIF DOMAINE TECHNIQUE DE L'INVENTION [001] La présente invention concerne un procédé de diagnostic d'un processus 5 industriel. Elle concerne également un dispositif de diagnostic d'un processus industriel.

ETAT DE LA TECHNIQUE ANTERIEURE

10 [002] On connaît de nombreux types de procédés de diagnostic permettant d'interpréter ou d'analyser les données d'un processus industriel en vue d'améliorer ce processus ou de déceler des dysfonctionnements ponctuels ou chroniques.

15 [003] Par exemple, le document FR 2 692 037 décrit un procédé consistant à établir un état de référence et un état actuel pour un procédé industriel sur la base de quantités physiques mesurées relatif à la mise en oeuvre de tous les équipements de ce processus. Ces deux états sont comparés quantité par la quantité, en employant la logique floue pour classer les quantités, et un diagnostic 20 est établi à l'aide de règles expertes. Pour effectuer une comparaison entre les deux états, le procédé implique de disposer d'un état de référence, dans lequel le processus est considéré se dérouler normalement. Or, on ne dispose pas toujours des données fiables en relation avec cet état. Cet état peut par ailleurs varier considérablement selon les conditions d'utilisation, rendant pratiquement 25 impossible d'avoir une connaissance préalable de l'état de référence. Par ailleurs, lorsque l'état de référence est acquis par apprentissage, la fiabilité du résultat est incertaine. En conséquence, le résultat de la comparaison effectuée par la suite ne peut pas permettre de garantir la fiabilité de la conclusion. Une approche plus fiable et plus constante est par conséquent souhaitable. 30 [004] Le document FR 2 827 055 concerne un procédé de gestion de IP Lean Factory fr 2978577 -2- configuration décrivant un ensemble d'objets représentant chacun une fonction ou décrivant une méthode de mise en oeuvre d'une configuration de ce produit. Une base de données fournit une définition précise de chaque objet avec ses interrelations avec d'autres objets afin de créer un ensemble de règles de contrainte. Cette base de données est utilisée de façon interactive et dynamique lors du choix des options. Ce procédé est utile pour organiser et planifier un processus de production dans lequel les paramètres de l'objet à produire sont susceptibles de varier fortement d'un produit à l'autre, comme c'est le cas par exemple dans une chaine de montage d'avions. Ce procédé n'est toutefois pas adapté pour des processus dans lesquels on cherche une grande stabilité et une homogénéité du résultat produit. En outre, pour un processus continu tel que pour la production de papier, de produits chimiques, d'alliages ou autres matériaux, le procédé décrit est peu adapté. [005] Pour pallier ces différents inconvénients, l'invention prévoit différents moyens techniques.

EXPOSE DE L'INVENTION [006] Tout d'abord, un premier objet de l'invention consiste à prévoir un procédé de diagnostic d'un processus industriel permettant d'identifier de façon fiable et stable les fenêtres de production permettant l'obtention de résultats améliorés.

[7] Un autre objet de l'invention consiste à prévoir un procédé de diagnostic 25 d'un processus industriel permettant une utilisation avec un processus continu.

[8] Un autre objet de l'invention consiste à prévoir un procédé de diagnostic d'un processus industriel permettant une utilisation avec un processus impliquant un très grand nombre de données à traiter. [9] Un autre objet de l'invention consiste à prévoir un procédé de diagnostic d'un processus industriel permettant d'identifier de façon fiable et stable des IP Lean Factory_fr 30

-3- fenêtres de production sans exclure de solutions éventuelles.

[0010] Pour ce faire, l'invention prévoit un dispositif de diagnostic d'un processus industriel évolutif comportant une pluralité d'étapes techniques visant la production d'un composé industriel donné (papier, peinture, alliage métallique, produit chimique, etc.), et pour lequel une pluralité de données techniques d'état ou de caractérisation sont disponibles, le dispositif comprenant : - au moins un microprocesseur et une mémoire ; - un module interface, pour recevoir et transmettre les données ; - un module compteur, permettant de vérifier l'atteinte d'un critère d'arrêt de calcul et d'arrêter les calculs lors de son atteinte ; - un module de supervision, permettant de gérer les opérations et échanges de données entre les différents modules ; - une grille de calcul, comportant une pluralité de modules de calculs de fenêtres de production (à proximité ou à distance), permettant d'effectuer en parallèle dans un temps sensiblement court un nombre sensiblement élevé d'opérations sur un nombre sensiblement élevé de données provenant du processus industriel à diagnostiquer, en vue de déterminer des fenêtres de productions favorables ; - un module de détermination de seuil de sélection de fenêtres, permettant de déterminer un seuil à partir duquel les fenêtres potentielles sont retenues lors d'une seconde phase de calculs fragmentés (permettant l'obtention de combinaisons de paramètres pour des fenêtres situées dans les limites du seuil établi); - un module de groupage, permettant de répartir les combinaisons de paramètres entre plusieurs groupes afin d'effectuer des calculs de convergence ; - un module de convergence, permettant de vérifier si un taux de convergence prévu entre les groupes est atteint.

[0011] Un tel dispositif permet de prendre en compte un nombre particulièrement élevé de données, de façon à correspondre à la plupart des processus industriels actuels, qui impliquent souvent un très grand nombre de paramètres avec chacun de nombreuses données. Par exemple, dans un procédé de fabrication de papier, IP Lean Factoryfr 2978577 -4- on peut retrouver entre 800 et 5 000 paramètres, ou même plus, et entre 1 000 et 500 000 données, ou même plus. Grâce à une grille de calculs de 80 processeurs cadencés à 2,4 GHz, le dispositif selon l'invention permet d'effectuer des calculs convergents en quelques dizaines de minutes. Ainsi, le dispositif permet de ne pas 5 exclure de données, ni de solutions potentielles. Le procédé présenté ci-dessous est avantageusement effectué de façon non supervisée c'est à dire sans à priori avec un dispositif tel que présenté ci-dessus.

[0012] Selon un mode de réalisation avantageux, les calculs sont non supervisés. 10 Chaque module peut servir de module de gestion. Il est également possible de prévoir plusieurs modules de gestion, chacun ayant une spécificité.

[0013] Selon un autre mode de réalisation avantageux, la grille de calcul est évolutive. Cette caractéristique permet d'ajouter (ou de retirer) un ou plusieurs 15 modules sans affecter les autres modules.

[0014] Egalement de manière avantageuse, une grille comporte au moins un noeud auquel une pluralité de microprocesseurs sont associés. Une grille comporte de préférence une pluralité de noeuds et une pluralité de 20 microprocesseurs.

[0015] Selon encore un autre mode de réalisation, le dispositif de diagnostic comprend par ailleurs un module de fragmentation, permettant de répartir les calculs à effectuer entre une pluralité de modules de calculs de fenêtres de 25 production. Le module de fragmentation est avantageusement prévu au niveau d'un module superviseur. Le module lance au besoin des requêtes de calculs aux autres modules disponibles, qui acceptent ou non une requête en fonction de leur disponibilité.

30 [0016] L'invention prévoit par ailleurs un procédé de diagnostic d'un processus industriel évolutif comportant une pluralité d'étapes techniques visant la production d'un composé industriel donné (par exemple du papier, de la peinture, un alliage IP Lean Factory_fr métallique, un produit chimique, etc.), et pour lequel une pluralité de données techniques d'état ou de caractérisation sont disponibles, comportant les étapes consistant à : a) recevoir une pluralité de données physiques correspondant à une pluralité de 5 paramètres obtenus à une pluralité d'étapes du processus ; b) recevoir au moins un des paramètres en tant que consigne d'amélioration (par exemple la blancheur du papier); c) recevoir une fonction d'optimisation du processus (de préférence taille, levier ou moyenne, écart type ou odd ratio) ; 10 d) effectuer, pendant une durée déterminée par un critère d'arrêt de calcul (par exemple temps ou nombre d'opérations) une première phase de calculs pour obtenir des caractéristiques des fenêtres potentielles (tel que taille, levier, moyenne, écart type, valeurs de paramètres) ; e) à partir des caractéristiques des meilleures fenêtres obtenues à la première 15 phase de calculs fragmentés en relation avec la fonction d'optimisation reçue, déterminer un seuil de sélection de fenêtres ; f) effectuer une seconde phase de calculs pour obtenir des combinaisons de paramètres pour des fenêtres situées dans les limites du seuil établi ; g) répartir, à l'aide d'un module de groupage, les combinaisons de paramètres 20 entre plusieurs groupes de combinaisons (par exemple en deux groupes alimentés alternativement) ; h) vérifier, à l'aide d'un module de convergence, le taux de convergence (c'est-à-dire le taux de combinaisons de paramètres communes les plus fréquentes) entre les groupes en fonction d'un taux objectif (par exemple 95% pour les trente 25 premiers de chaque groupe) ; i) si le taux objectif est atteint, obtenir les bornes des valeurs ou modalités (pour les éléments discrets) des paramètres des fenêtres de production surperformantes respectant le critère de convergence, et le procédé se termine ; j) si le taux objectif n'est pas atteint, le procédé se poursuit à l'étape « f ». 30 [0017] Contrairement aux approches classiques, qui visent à minimiser le nombre de calculs à effectuer, éliminant ainsi d'emblée un certain nombre de solutions IP Lean Factory_fr potentielles, l'approche selon l'invention prévoit une prise en compte de l'ensemble des configurations potentiellement utiles du processus, avec un mode de calcul non supervisé. Par exemple, le procédé permet d'obtenir des bornes de paramètres de fenêtres telle que la température est comprise entre 10 et 20 °C et la pression est comprise entre 1 et 2 Bars. Pour les paramètres numériques, on obtient de préférence les bornes ou limites à l'intérieur desquelles les valeurs sont acceptables. Pour les paramètres comportant des valeurs discrètes, on obtient de préférence les valeurs discrètes ou modalités autorisées (par exemple équipement A ou B ou C). La convergence permet d'obtenir des solutions identiques si les calculs sont effectués plusieurs fois avec les mêmes données et une stabilité physique au niveau du processus industriel considéré.

[0018] De manière avantageuse, au moins une portion des calculs à effectuer est distribuée (ou fragmentée) sur une pluralité de calculateurs reliés entre eux (la distribution est avantageusement effectuée à l'aide d'un module de fragmentation sur une grille de calcul).

[0019] Le procédé utilise avantageusement une forte capacité de calculs, permettant de prendre en compte un nombre très élevé d'opérations. Grâce au procédé selon l'invention, les calculs fragmentés effectués par la grille sont non supervisés, et la grille est naturellement équilibrée. Aucun mode d'apprentissage ne suggère certains types de fenêtres au détriment d'autres types. Le fait d'effectuer un très grand nombre d'opérations permet de prendre en compte un maximum de cas, sans à priori, pour une plus grande précision finale. [0020] Selon une autre variante de réalisation, la fonction d'optimisation comprend le levier, à maximiser.

[0021] Selon encore un autre mode de réalisation, la fonction d'optimisation 30 comprend la moyenne de la consigne (à minimaliser ou maximaliser selon les cas). Dans une variante, le critère comprend aussi l'écart type. IP Lean Factory_fr [0022] Selon encore une autre variante de réalisation, la fonction d'optimisation comprend le l'odd ratio, à maximiser.

[0023] De manière avantageuse, le critère d'arrêt de calcul est préalablement 5 défini (fixe et non accessible ou ajustable par l'utilisateur).

[0024] Dans une autre variante de réalisation, le procédé comporte une étape permettant de recevoir un critère d'arrêt de calcul.

10 [0025] Selon un mode de réalisation avantageux, la détermination d'un seuil de sélection de fenêtre est effectuée automatiquement par un module de détermination de seuil qui reçoit les caractéristiques des fenêtres potentielles et fournit en retour au moins une valeur de seuil de sélection de fenêtres. Une telle étape permet de gérer de façon automatique le mode de détermination d'un seuil 15 de sélection de fenêtres. Toutes les fenêtres potentielles sont envisageables.

[0026] Selon un autre mode de réalisation, après la première phase de calculs fragmentés, on fournit, à l'aide d'un module interface, les caractéristiques des fenêtres potentielles et on reçoit en retour à l'aide du module interface au moins 20 une valeur de seuil de sélection de fenêtres. Une telle étape permet de faire intervenir un processus externe pour la détermination d'un seuil de sélection de fenêtres.

[0027] Dans une autre variante de réalisation, le procédé comporte une étape 25 permettant de désigner un des calculateurs en tant que module de gestion du processus de calcul.

[0028] Les phases de calculs fragmentés se déroulent avantageusement de façon au moins partiellement concomitante. DESCRIPTION DES FIGURES IP Lean Factoryfr 30 2978577 -8- [0029] Tous les détails de réalisation sont donnés dans la description qui suit, complétée par les figures 1 à 10, présentées uniquement à des fins d'exemples non limitatifs, et dans lesquelles : - la figure 1 est une représentation schématique d'un exemple de processus industriel susceptible d'être diagnostiqué à l'aide du procédé et du dispositif selon l'invention ; - la figure 2 présente des graphiques montrant un exemple de zones avec des valeurs d'un paramètre à reproduire (gris clair) ou à éviter (gris foncé) ; - la figure 3 présente un graphique montrant un exemple d'évolution du levier de fenêtres de production en fonction de leur taille ; - la figure 4 montre schématiquement un exemple de grille de calcul ; - la figure 5 présente schématiquement les détails d'un exemple de module de calcul d'une grille ; - la figure 6 est une représentation schématique d'un exemple de dispositif de diagnostic selon l'invention ; - la figure 7 est un organigramme fonctionnel présentant les principales étapes et phases du procédé selon l'invention ; - la figure 8 est un organigramme fonctionnel permettant de représenter de façon détaillée les étapes de la phase I ; - la figure 9 est un organigramme fonctionnel permettant de représenter de façon détaillée les étapes de la phase II ; la figure 10 présente un exemple de distribution de la variable de la consigne d'amélioration pour un diagnostic en fonction de la moyenne.

DESCRIPTION DETAILLEE DE L'INVENTION

Présentation générale du procédé [0030] Le dispositif et le procédé de diagnostic décrits dans ce qui suit permettent d'établir des diagnostics techniques pour des processus industriels complexes impliquant en outre une très vaste quantité de données à traiter. Ils s'appliquent par ailleurs à des fins de surveillance de processus, pour rechercher des conditions d'exploitation plus favorables sur des plans qualitatifs et/ou quantitatifs, IP Lean Factory _fr 2978577 -9- et pour permettre d'opérer les prochains cycles dans des conditions optimales. Les processus susceptibles de faire l'objet de tels diagnostics sont très nombreux, en particulier dans les domaines industriels permettant la fabrication ou préparation de produits à l'aide de processus continus tels que pour la fabrication 5 du papier, de produits chimiques tels que la peinture, des alliages ou matériaux divers, etc. D'autres types de processus, même non continus, sont également susceptibles de faire l'objet de diagnostics. Les processus évolutifs, dans lesquels les matières premières sont traitées ou mélangées étape par étape pour préparer progressivement un produit ou mélange final en s'en rapprochant peu à peu entre 10 le début et la fin du processus, sont particulièrement indiqués pour de tels diagnostics.

[0031] Un processus industriel peut être décrit par de nombreux paramètres. Certains caractérisent l'état du processus: ce sont des grandeurs physiques 15 (températures, pressions, puissance, etc.) ou des variables d'état (position de vanne, type de production, etc.) ou encore des informations sur la matière ou l'environnement du processus. D'autres caractérisent la performance du processus : productivité horaire, taux de rebuts, qualité des produits, taux de rejet, consommations, incidents, etc. 20 [0032] La figure 1 présente de façon schématique un exemple de processus industriel continu susceptible d'être amélioré à l'aide d'un procédé de diagnostic.

[0033] L'objectif consiste à améliorer la performance du processus industriel. Pour 25 cela, les valeurs correspondant à chacun des paramètres variables du processus sont collectées sous forme d'échantillons de données. Il est possible d'organiser les données sous forme matricielle de telle sorte qu'une ligne de la matrice comporte un ensemble de données cohérentes entre elles et que chaque colonne comporte les données d'une variable décrivant le processus. Dans l'exemple de la 30 figure 1, un processus de fabrication de papier est représenté de façon schématique. La matière première subit un certain nombre d'opérations de mélange, dans des conditions spécifiques de températures et de pression. A la fin IP Lean Factory_fr 2978577 -10- du processus, une mise en forme en rouleaux permet de stocker et transporter facilement le papier produit avant une éventuelle autre mise en forme plus spécifique. Les machines de fabrication sont souvent munies de moyens permettant de capter et mesurer les paramètres relatifs à la fabrication. Des 5 moyens électroniques et/ou informatiques connus permettent par ailleurs de récupérer et stocker les paramètres. Dans un processus industriel complexe comme celui de la fabrication de papier, le nombre de paramètres et de données ainsi récupérées et mis en mémoire est considérable. Une mise en forme des données sous forme de matrice est effectuée, pour faciliter leur gestion. 10 [0034] Dans l'exemple illustré, chaque rouleau de papier est caractérisé par un ensemble de paramètres relatifs à la qualité (blancheur, épaisseur, résistance, etc.) et à la fabrication (vitesses, tensions, concentrations, etc.). Dans le tableau ci-dessous, on trouve sur une ligne de données, l'ensemble des paramètres 15 qualité en regard des paramètres décrivant l'état du processus ayant mené à cette qualité. Num lot Vitesse Tension Concentration Blancheur Epaisseur Résistance 1 1230 14.785 0.04528 23.251 0.09523 1.215478996 2 1234 15.234 0.05236 27.123 0.10235 0.845214587 3 1228 13.256 0.05214 21.253 0.08852 1.235215458 [0035] Parmi l'ensemble des paramètres, un paramètre à faire progresser, dit 20 « consigne d'amélioration » est déterminé. On souhaite réduire la variabilité de ce paramètre afin d'améliorer la performance du procédé, dans cet exemple un procédé de fabrication de papier. En réduisant l'espace de variation de la consigne d'amélioration, on définit une zone à reproduire et une zone à éviter, créant ainsi trois catégories de lignes parmi celles de la matrice de données : 25 - les lignes pour lesquelles la consigne d'amélioration est non définie ; - les lignes pour lesquelles elle appartient à la zone à reproduire : la ligne de données est alors considérée comme étant bonne (zone gris clair de la figure 2) ; - les lignes pour lesquelles la consigne d'amélioration appartient à la zone à éviter : la ligne de données est alors qualifiée de mauvaise (zone gris foncé de la figure IP Lean Factory_fr ).

[0036] Le procédé de diagnostic selon l'invention permet de réaliser une analyse automatique des données de production afin de déterminer des fenêtres de production permettant de maximiser la proportion de productions bonnes au sens défini ci-dessus (configurations surperformantes). Le résultat du diagnostic permet donc d'opérer le processus étudié dans des conditions plus favorables.

[0037] Une fenêtre de production est une combinaison de quelques paramètres avec, pour chacun de ces paramètres, une plage de variation autorisée (caractérisée par une limite inférieure et une limite supérieure pour une variable numérique ou une liste de valeurs autorisées dans le cas d'une variable discrète).

[0038] On appelle « levier » (le terme anglais « lift » est couramment utilisé) le 15 ratio de la proportion dé productions bonnes dans une fenêtre de production vis-à-vis de la proportion de productions bonnes de l'ensemble des données.

[0039] Si une fenêtre de production contient 75% de productions bonnes tandis que la population de départ en comporte 25%, alors le levier de la fenêtre de 20 production est de 3.

[0040] Les fenêtres de production obtenues pourront être mises en oeuvre opérationnellement de manière à répéter la surperformance observée par le passé. Architecture matérielle [0041] La figure 5 illustre un exemple d'architecture matérielle particulièrement utile pour la mise en oeuvre du procédé selon l'invention.

30 [0042] Le dispositif de diagnostic 1 selon l'invention comporte une série de modules ayant chacun une ou plusieurs fonctions spécifiques. Un module de fragmentation 10 est prévu pour fragmenter ou répartir ou distribuer les calculs à IP Lean Factory_fr -11- 25 2978577 - 12 - effectuer au niveau des multiples modules de calcul 21 de la grille 20 de calcul. Un module compteur 11 permet de stopper les calculs de fenêtres en fonction d'un ou plusieurs critères d'arrêt comme par exemple un temps de calcul (par exemple trois minutes ou autre) ou un nombre d'opérations, ou autre. Un module de 5 gestion 12 permet de gérer et coordonner les étapes du procédé, les calculs à effectuer, les flux de données, les ressources, et les résultats obtenus.

[0043] Un module de détermination de seuil de sélection de fenêtre 13 permet d'établir un seuil à partir duquel les fenêtres de production peuvent être 10 considérées pour une seconde phase de calculs. Le seuil est déterminé en fonction des résultats de la première phase de calcul. Un module de groupage 14 permet de répartir les résultats des calculs de la phase II en au moins deux groupes, en vue d'une phase de convergence pour laquelle un module de convergence 15 est prévu, afin d'effectuer les tests de convergence entre les groupes en fonction de critères spécifiquement prévus. Grâce à ce module et à la phase de convergence, on obtient des résultats stables, constants et fiables.

[0044] Les données mises en oeuvre dans le procédé sont avantageusement logées dans une ou plusieurs bases de données telles que les bases 30 et 40. La base 30 est avantageusement dédiée aux paramètres d'entrée, aux consignes d'amélioration et aux fonctions d'optimisation. La base 40 est avantageusement dédiée aux données en relation avec les fenêtres de production, tant pour des données intermédiaires de calculs que pour les résultats finaux recherchés. Les bases 30 et 40 peuvent être combinées et/ou prévues à distance ou à proximité. [0045] Bien que les modules 10 à 15 sont représentés schématiquement de façon regroupée et à l'extérieur de la grille 20, ces modules sont avantageusement prévus au niveau de chaque module de calcul 21 de la grille 20, y compris le module de gestion 12, qui coordonne l'ensemble des étapes du procédé de telle sorte que chaque module de calcul peut gérer une ou plusieurs séquences de calculs quelle que soit l'activité des autres modules de la grille. IP Lean Factory_fr 2978577 -13 [0046] La figure 5 présente un exemple d'architecture des modules. L'architecture peut varier en fonction, par exemple, d'éventuels combinaisons de certains modules. Ainsi par exemple, le module de gestion 12 et le module compteur 11 peuvent être combinés en un seul module. Le module de groupage 14 et le 5 module de convergence 15 peuvent aussi être combinés ou encore le module compteur 11 peut être déporté ou non dans chacun des modules 21 de la grille de calcul 20

[0047] La figure 6 illustre schématiquement un module de calcul 21 de la grille 20. 10 Un module comporte au moins un microprocesseur 22, au moins un module mémoire 23 et au moins un module de calcul de fenêtre de production 24.

Grille de calculs [0048] Les calculs impliqués par le procédé selon l'invention sont souvent très 15 lourds en fonction du nombre de lignes et colonnes des bases de données traitées. Pour un traitement efficace, il est prévu de les répartir sur une grille 20 comportant plusieurs noeuds distribués physiquement sur un réseau d'ordinateurs. Chaque noeud est capable : - de produire des fenêtres de production par délégation à un nombre configurable 20 de processus calculateurs qui lui sont rattachés ; - d'animer une séquence complète de calculs en assurant la consolidation des résultats issus des calculs délégués aux autres noeuds.

[0049] La figure 4 montre un exemple de grille comportant trois noeuds de quatre 25 processus calculateurs chacun. Chaque noeud connait l'état des processus calculateurs qui lui sont rattachés et en particulier le nombre de processus inoccupés. Une séquence complète de calcul peut être distribuée par exemple de la manière suivante : il est constitué un nombre de fragments de calculs proportionnel au nombre de points de la base à étudier et au logarithme de la 30 moitié du nombre de dimensions. Chaque fragment fait l'objet d'une passe de calculs sur un noeud de la grille. Le même nombre de fragments peut être mis en oeuvre lors de chaque phase de la tâche complète de calculs. Pour chaque phase IP Lean Factory_fr 2978577 -14- de la tâche de calcul, le noeud principal met à disposition des autres noeuds les fragments de calcul. Les noeuds interrogent continuellement et séquentiellement les autres noeuds (ils en connaissent la liste) afin d'obtenir des fragments pour leurs processus calculateurs inoccupés : ils obtiennent donc des fragments dès 5 qu'un noeud distribue une tâche.

[0050] Ainsi, la distribution des fragments se fait selon un processus tiré par les noeuds de la grille ce qui permet un équilibrage naturel de la charge et une utilisation maximale des capacités de calcul disponibles. Chaque processus 10 calculateur calcule pendant un temps fixe (par exemple trois minutes) puis retourne les résultats au noeud principal qui les consolide.

[0051] Une grille peut être complétée de manière virale en mettant simplement un nouveau noeud en relation avec l'un quelconque des noeuds préexistants. 15 [0052] La mise en oeuvre des différents modules préalablement décrits (par exemple les modules 10, 11, 12, 13, 14, 15, 20) est avantageusement réalisée au moyen d'instructions de mise en oeuvre, permettant aux modules d'effectuer la ou les opérations spécifiquement prévues pour le module concerné. Les instructions 20 peuvent être sous la forme d'un ou plusieurs logiciels ou modules de logiciels mis en oeuvre par un ou plusieurs microprocesseurs. Le ou les modules et/ou le ou les logiciels sont avantageusement prévus dans un produit programme d'ordinateur comprenant un support d'enregistrement ou medium d'enregistrement utilisable par un ou plusieurs ordinateurs et comportant un code programmé lisible par un 25 ordinateur intégré dans ledit support ou medium, permettant à un logiciel applicatif son exécution sur un ordinateur ou autre dispositif comportant un microprocesseur.

Etapes du procédé 30 [0053] Les figures 7 à 9 illustrent, à l'aide d'un organigramme fonctionnel, les différentes étapes clés du procédé selon l'invention. IP Lean Factoryfr 2978577 -15- [0054] La détermination des fenêtres de production surperformantes se déroule en trois étapes automatiques principales, auxquelles une pré-étape (phase préparatoire) peut être ajoutée. Cette phase préparatoire consiste à supprimer du jeu de données des lignes pour lesquelles la consigne d'amélioration n'est pas 5 définie.

[0055] La figure 7 montre les trois phases du procédé. A l'étape 100, les données des paramètres, la consigne d'amélioration et la fonction d'optimisation sont reçues d'une base de données 30. Aux étapes 110 et 120, qui peuvent être 10 confondues, les calculs sont distribués au niveau de la grille 20, par exemple par un module de fragmentation 10, et les calculs fragmentés d'une pluralité de fenêtres sont effectués, jusqu'à l'atteinte d'un critère d'arrêt donné. Le module compteur 11 permet de vérifier l'atteinte du critère établi, par exemple le temps ou un nombre donné d'opérations, etc. Au niveau de chaque noeud, les calculs ne 15 sont pas supervisés, ils sont réalisés de manière stochastique. Le module de gestion 12 est prévu afin de gérer le bon déroulement des opérations de calcul. A l'étape 130, les caractéristiques des fenêtres potentielles sont obtenues. En fonction de ces caractéristiques, un seuil de sélection de fenêtres de production est déterminé à l'étape 140 par le module de détermination de seuil de sélection 20 de fenêtre 13.

[0056] La figure 8 permet de présenter plus en détails un exemple de réalisation de la phase I. Après distribution des calculs en une pluralité de processus de calculs à l'étape 110, le module compteur 11 est lancé à l'étape 111, dans cet 25 exemple pour trois minutes. A l'étape 120, effectuée en boucle, on calcule successivement, à l'aide des modules de calcul de fenêtre de production 24, une pluralité de fenêtres en récupérant les données correspondantes de taille et levier, tarit que le seuil d'arrêt de calcul n'est pas atteint (étape 121). A l'étape 130, les caractéristiques des fenêtres sont obtenues. Le processus de calcul est conduit de 30 manière stochastique. Il est basé sur la création d'une fenêtre initiale s'appuyant sur deux lignes de données bonnes choisies au hasard. Par la suite, la fenêtre est élargie par suppression aléatoire de variables de la liste des contraintes. Enfin, les IP Lean Factory_fr 2978577 -16- bornes ou modalités de chaque variable prises tout à tour dans un ordre aléatoire sont élargies de manière à produire une succession de fenêtres de production de taille croissante.

5 [0057] Pour la phase Il, à l'étape 200, les calculs à effectuer sont distribués par un module de fragmentation 10 au niveau de la grille 20 et les calculs fragmentés d'une pluralité de fenêtres sont effectués à l'étape 210. Ces deux étapes peuvent être combinées. Les calculs sont non supervisés et sont stoppés lorsqu'un seuil d'arrêt, surveillé par un module compteur 11, est atteint. A l'étape 220, les 10 combinaisons de paramètres pour des fenêtres de production potentielles sont obtenues.

[0058] La figure 9 permet de présenter plus en détails la phase Il. Après distribution des calculs en une pluralité de processus de calculs à l'étape 200, un 15 module compteur est lancé à l'étape 201. A l'étape 210, effectuée en boucle au niveau de la grille 20, on calcule successivement, à l'aide des modules de calcul de fenêtre de production 24, une pluralité de fenêtres en récupérant les combinaisons de paramètres respectant le seuil de sélection établi, tant que le seuil d'arrêt de calcul n'est pas atteint (étape 211). A l'étape 220, les 20 combinaisons de paramètres respectant le seuil sont obtenues. Comme à l'étape I, le processus est conduit de manière stochastique. Il est basé sur la création d'une fenêtre initiale s'appuyant sur au moins deux lignes de données bonnes choisies au hasard. Par la suite, la fenêtre est élargie par suppression aléatoire de variables de la liste des contraintes. Enfin, les bornes ou modalités de chaque 25 variable prises tour à tour dans un ordre aléatoire sont élargies de manière à produire une succession de fenêtres de production de taille croissante dans le respect de la consigne d'optimisation selon la fonction d'optimisation.

[0059] A la phase III, les données de combinaisons sont groupées à l'étape 300 30 par un module de groupage 14. Deux ou plusieurs groupes sont ainsi constitués. A l'étape 301, un test de convergence des groupes est effectué par un module de convergence 15. On réitère la phase Il jusqu'à obtention d'un taux de convergence IP Lean Factory_fr 2978577 -17- convenu. A l'étape 302, les valeurs des bornes ou modalités autorisées des paramètres des fenêtres de production surperformantes résultantes sont obtenues.

5 Fouille en moyenne ou médiane [0060] Il est possible de décliner le mécanisme ci-dessus avec une fouille en moyenne ou en médiane. L'approche par catégories est particulièrement adaptée lorsqu'une zone cible est imposée, par exemple par une spécification client pour une donnée qualité. On peut aussi souhaiter améliorer, sans objectif numérique 10 précis, la moyenne ou la médiane de la consigne d'amélioration. Dans ce cas, on décide de la direction de l'amélioration (baisse ou hausse de la moyenne), tel que montré dans l'exemple de la figure 10, et le procédé proposé permet une analyse automatique des données de production afin de déterminer des fenêtres de production dans lesquelles la moyenne ou la médiane de la consigne 15 d'amélioration est décalée dans le sens souhaité par rapport au jeu de données complet (configurations surperformantes).

Exemple [0061] Par exemple, considérons un processus tel que celui de la figure 1, dans 20 lequel on souhaite fabriquer un papier présentant notamment une résistance mécanique suffisante vis-à-vis d'un cahier des charges. Afin d'atteindre cet objectif, on incorpore dans la pâte à papier de la fibre de haute qualité mais qui constitue un surcoût important. La quantité de pâte haute qualité à incorporer pour obtenir la résistance souhaitée est variable au cours du temps. On recherche une 25 fenêtre de production permettant de diminuer, voire supprimer l'utilisation de fibres haute qualité. La résistance mécanique sera donc obtenue, avec la pâte standard, en jouant sur les paramètres intrinsèques du procédé de fabrication, ce qui est susceptible d'engendrer d'importantes économies.

30 Première Phase : calculs distribués [0062] Un calcul massif de fenêtres de production est effectué pendant une durée prévue, comme par exemple trois minutes, sur une grille comportant p IP Lean Factory _Jr calculateurs.

[0063] Un seuil de sélection de fenêtres de production est ensuite déterminé. Pour ce faire, le nombre de points (c'est-à-dire la taille) et le levier pour chaque fenêtre de production sont récupérés. Dans cet exemple, les 100 meilleures fenêtres obtenues permettent de déterminer un seuil de sélection de fenêtres de taille et levier minimums pour les fenêtres qui seront retenues à la fin du procédé.

[0064] La figure 3 illustre, à partir des données de cet exemple collectées en 10 phase I, une courbe représentant le levier des fenêtres de production en fonction de leur taille. Il est à noter que les fenêtres de production indiquées par des triangles sur la courbe sont déterminées après redistribution de la qualité de la consigne d'amélioration. Elles ne sont donc que des objets mathématiques sans aucune valeur physique. La distance entre les populations représentées 15 respectivement par des triangles et des ronds permet d'évaluer le taux de réponse de la base de données.

Deuxième Phase : nouveaux calculs distribués [0065] Un calcul massif de fenêtres de production est effectué pendant une durée 20 prévue, comme par exemple trois minutes, sur une grille comportant p calculateurs. Pour chaque fenêtre, on récupère la combinaison de valeurs de paramètres mis en oeuvre.

Troisième Phase : convergence 25 [0066] Un groupage est effectué. Par exemple, deux groupes sont constitués avec la fréquence d'apparition des combinaisons de paramètres, la moitié des calculateurs contribuant à l'un des groupes, l'autre moitié à l'autre groupe. Le taux de convergence entre les deux groupes est déterminé, comme étant le pourcentage de combinaisons communes dans la tête de liste des groupes. Dans 30 cet exemple, les vingt combinaisons les plus fréquentes sont considérées. Ce nombre est de préférence configurable. Si le taux de convergence est inférieur à un objectif paramétré, comme par exemple 90 %, une nouvelle seconde phase de IP Lean Factory_fr -18- 2978577 -19- calculs distribués est lancée. Sinon, on peut passer à l'étape d'obtention des résultats.

[0067] A la fin du procédé, les fenêtres de production surperformantes sont affichées et/ou conservées et/ou fournies à l'utilisateur ou à un autre dispositif pour usage ultérieur.

Fonction d'optimisation (Notation) des fenêtres de production [0068] Diverses fonctions d'optimisation des fenêtres de production peuvent être utilisées. Les fonctions peuvent prendre en compte la taille, le levier, l'odd-ratio, la moyenne, l'écart type mais aussi d'autres critères comme la stabilité de la performance dans la fenêtre. Le choix de la fonction d'optimisation est susceptible d'influencer considérablement le résultat. Par exemple, les variantes de fonction d'optimisation présentées dans ce qui suit peuvent conduire à des résultats parfois très différents. Ceci permet à l'utilisateur de privilégier certains axes de travail plutôt que d'autres.

[0069] Les notions suivantes concernant les fonctions d'optimisation sont tout d'abord établies : - Levier maximum : certaines fenêtres de production ne comportent que des productions bonnes. Dans ce cas, l'amélioration (donc le levier) est maximum. Le levier maximum est l'inverse de la proportion de productions bonnes dans le jeu de données. -Taille de la fenêtre de production : nombre de productions réalisées dans la fenêtre de production. - Pureté proportion de productions bonnes dans la fenêtre de production. - Fonction d'optimisation taille-levier : (Levier de la fenêtre de production / Levier maximum) x (Taille de la fenêtre de production / Nombre total de données) = Proportion des productions bonnes dans la fenêtre de production x (Taille de la fenêtre de production / Nombre total de données) IP Lean Factory_fr 2978577 -20- [0070] Le tableau ci-après présente un exemple avec des paramètres tels que la vitesse, la tension, la blancheur, l'épaisseur, la résistance, etc., dans un procédé tel que celui de la figure 1. Num lot Vitesse Tension Concentration Blancheur Epaisseur Résistance 1 1230 14.785 0.04528 23.251 0.09523 1.215478996 2 1234 15.234 0.04236 27.123 0.10235 0.845214587 3 1228 13.256 0.05214 21.253 0.08852 1.235215458 4 1233 15.452 0.03789 22.326 0.09231 0.912457874 [0071] Objectif I consigne d'amélioration : Blancheur supérieure à 23. Les lots 1 et 2 sont bons. Le nombre maximum de points bons est donc 2.

10 [0072] Situation initiale : il y a 50% de productions bonnes parmi les données étudiées et il est possible d'améliorer d'un facteur 2 cette proportion. Donc, le levier maximal est de 2.

[0073] Fenêtre de production : Tension entre 14.785 et 15.452 et Concentration 15 entre 0.04236 et 0.05214. Cette fenêtre de production ne contient que les points 1 et 2 soit 100% de productions bonnes. Elle présente donc une amélioration de 2 par rapport à la population générale. Le levier maximal est donc atteint dans ce cas. La fenêtre comporte par ailleurs la moitié des lots. Une fonction d'optimisation taille-levier de 0,5 peut être attribuée. 20

Fonction de robustesse de la fenêtre de production vis-à-vis de la variabilité 25 d'une autre variable [0074] On caractérise la robustesse de la fenêtre de production vis-à-vis d'un paramètre comme le ratio de l'étendue (écart entre les limites de contrôle ou différence entre les valeurs extrêmes) de ce paramètre dans la fenêtre de production versus le jeu de données initial. IP Lean Factoryfr 5 Nb de lots de la fenêtre Levier de la fenêtre 2 2 Nb total de lots Levier maximum 4 2 2978577 - 21 - [0075] Pour le cas particulier des paramètres de type horodatage, ceux-ci sont remplacés par des valeurs numériques. Par exemple, la valeur 0 correspond à la date la plus ancienne du jeu de données, chaque valeur suivante étant le temps 5 écoulé depuis la valeur 0 (en secondes par exemple). On obtient un paramètre numérique classique vis-à-vis duquel la robustesse de la fenêtre de production peut être calculée. Les paramètres de type date sont particulièrement utiles pour évaluer la constance de la performance de la fenêtre de production au cours du temps. 10 Fonction de robustesse de la fenêtre de production vis-à-vis de la variabilité d'un ensemble de variables [0076] Cette fonction est le produit des robustesses vis-à-vis de chacun des paramètres d'un ensemble de paramètres. Les paramètres constituant l'ensemble 15 peuvent être déterminées par exemple par un groupement hiérarchique (en utilisant les coefficients de corrélations de Pearson par exemple) ou en réalisant une décomposition en composantes principales du jeu de données.

Fonction de robustesse vis-à-vis du non respect de la fenêtre de production 20 [0077] Il est possible d'attribuer à chaque paramètre d'une fenêtre de production la perte de performance en cas de non respect dudit paramètre. On parle du poids du paramètre dans la fenêtre. Il suffit de comparer les leviers des fenêtres de production avec et sans le paramètre testé. Plus le poids d'un paramètre est faible, plus l'amélioration liée à la fenêtre de production est résistante à sa non 25 tenue. On peut chercher à avoir une moyenne des poids la plus faible possible au sein des règles (recherche de complémentarités robustes) ou au contraire la plus forte possible (recherche d'interactions fortes).

Fonctiong d'optimisation combinées 30 [0078] Il est possible d'utiliser comme fonction d'optimisation le produit d'une fonction d'optimisation de performance, par exemple taille-levier ou taille-moyenne multipliée par une fonction de robustesse. IPLepn Factory_fr

- 22 - Autres critères (contraintes) [0079] Des critères supplémentaires (contraintes) d'optimisation des fenêtres de production peuvent être prévus, par exemple en imposant des valeurs cibles à des statistiques concernant les autres variables dans la fenêtre de production. Par exemple, on peut imposer qu'une vitesse doit impérativement avoir une valeur moyenne minimum dans la fenêtre de production. Les fenêtres ne répondant pas aux contraintes sont éliminées par le dispositif de diagnostic.

Ajout d'une zone neutre pour le calcul du levier [0080] Dans ce qui précède, pour la détermination du levier, il a été considéré que la production ne peut être que bonne ou mauvaise. Or, il est aussi possible de créer une zone frontière entre ces deux populations. On crée ainsi une troisième population de productions acceptables. Dans la mise en oeuvre des calculs, ces points sont intégrables sans restriction à une fenêtre de production mais ne sont pas pris en compte ou sont pris en compte de manière modulée pour la fonction d'optimisation.

[0081] Les Figures et leurs descriptions faites ci-dessus illustrent l'invention plutôt qu'elles ne la limitent. En particulier, l'invention et ses différentes variantes viennent d'être décrites en relation avec un exemple particulier en relation avec un processus industriel dans le secteur de la fabrication du papier. Néanmoins, il est évident pour un homme du métier que l'invention peut être étendue à d'autres modes de réalisation, d'autres types de processus, avec une très vaste gamme d'applications potentielles.

[0082] Les signes de références dans les revendications n'ont aucun caractère limitatif. Les verbes « comprendre » et « comporter » n'excluent pas la présence d'autres éléments que ceux listés dans les revendications. Le mot « un » précédant un élément n'exclue pas la présence d'une pluralité de tels éléments. IP Lean Factory_fr

Claims (8)

1. REVENDICATIONS1. Procédé de caractérisation automatique d'un processus REVENDICATIONS1. Procédé de caractérisation automatique d'un processus de fabrication d'un composé industriel pour lequel une pluralité de données techniques concernant l'état du processus et/ou une matière du processus et/ou une performance du processus sont disponibles, comportant les étapes consistant à : a) mesurer, dans une chaine de fabrication objet d'une caractérisation, à l'aide de moyens de mesure, une pluralité de données concernant une pluralité de paramètres reliés à l'état du processus et/ou une matière du processus et/ou une performance du processus ; b) recevoir, au moyen d'un module interface d'un dispositif de caractérisation automatique, lesdites données (100) ; c) recevoir, au moyen d'un module interface d'un dispositif de caractérisation automatique, au moins un des paramètres en tant que consigne d'amélioration du procédé de fabrication ; d) recevoir, au moyen d'un module interface d'un dispositif de caractérisation automatique, une fonction d'optimisation du processus ; e) effectuer, au moyen d'une grille (20) de calcul comportant une pluralité de processeurs, pendant une durée déterminée par un critère d'arrêt de calcul, une première phase de caractérisation du procédé de fabrication concerné pour obtenir des caractéristiques de fenêtres de fabrication potentielles (120) ; f) à partir des caractéristiques des meilleures fenêtres de fabrication obtenues à la première phase de caractérisation du procédé de fabrication concerné en relation avec la fonction d'optimisation reçue, déterminer, au moyen d'un module de détermination de seuil de sélection de fenêtres (13) d'un dispositif de caractérisation automatique, un seuil de sélection de fenêtres de fabrication (140) ; g) effectuer, au moyen d'une grille (20) de calcul, une seconde phase de caractérisation du procédé de fabrication concerné pour obtenir des combinaisons de paramètres pour des fenêtres de fabrication situées dans les limites du seuil établi (210) ; h) répartir, à l'aide d'un module de groupage d'un dispositif de caractérisation automatique, les combinaisons de paramètres entre plusieurs groupes de combinaisons (300); i) vérifier, à l'aide d'un module de convergence d'un dispositif de caractérisation IP_Lean_factory_fr rev 22 12 2011 automatique, le taux de convergence entre les groupes en fonction d'un taux objectif (301); j) si le taux objectif n'est pas atteint, le procédé se poursuit à l'étape « g» ; k) si le taux objectif est atteint, obtenir les plages de variation des paramètres des fenêtres de fabrication du procédé de fabrication concerné respectant le critère de convergence.
2. 2. Procédé de caractérisation automatique selon la revendication 1, dans lequel au moins une portion des calculs à effectuer est distribuée sur une pluralité de calculateurs reliés entre eux.
3. 3. Procédé de caractérisation automatique selon l'une des revendications 1 ou 2, dans lequel la fonction d'optimisation comprend le levier, à maximiser.
4. 4. Procédé de caractérisation automatique selon l'une des revendications 1 ou 2, dans lequel la fonction d'optimisation comprend la moyenne de la consigne.
5. 5. Procédé de caractérisation automatique selon l'une des revendications 1 à 4, dans lequel le critère d'arrêt de calcul est préalablement défini.
6. 6. Procédé de caractérisation automatique selon l'une des revendications 1 à 4, comportant une étape permettant de recevoir un critère d'arrêt de calcul.
7. 7. Procédé de caractérisation automatique selon l'une des revendications 1 à 6, dans lequel la détermination d'un seuil de sélection de fenêtre est effectuée automatiquement par un module de détermination de seuil (13) qui reçoit les caractéristiques des fenêtres potentielles et fournit en retour au moins une valeur de seuil de sélection de fenêtres.
8. 8. Procédé de caractérisation automatique selon l'une des revendications 1 à 7, comportant une étape permettant, après la première phase de calculs fragmentés, de fournir, à l'aide d'un module interface, les caractéristiques des fenêtres potentielles et de recevoir en retour à l'aide du module interface au moins une valeur de seuil de sélection de fenêtres. IP_Lean_factory_fr rev 22 12 2011. Procédé de caractérisation automatique selon l'une des revendications 1 à 8, comportant une étape permettant de désigner un des calculateurs en tant que module de gestion (12) du processus de calcul. 10. Procédé de caractérisation automatique selon l'une des revendications 1 à 9, dans lequel les phases de calculs fragmentés se déroulent de façon au moins partiellement concomitante. 11. Dispositif de caractérisation automatique d'un processus industriel évolutif pour la mise en oeuvre du procédé selon l'une des revendications 1 à 10, comportant une pluralité d'étapes techniques visant la production d'un composé industriel donné pour lequel une pluralité de données techniques d'état ou de caractérisation sont disponibles, le dispositif comprenant : - au moins un microprocesseur (22) et une mémoire (23) ; - un module interface, pour recevoir et transmettre les données ; - un module compteur (11), permettant de vérifier l'atteinte d'un critère d'arrêt de calcul et d'arrêter les calculs lors de son atteinte ; - un module de gestion (12), permettant de gérer les opérations et échanges de données entre les différents modules ; - une grille (20) de calcul, comportant une pluralité de modules de calculs de fenêtres de production, permettant d'effectuer en parallèle dans un temps sensiblement court un nombre sensiblement élevé d'opérations sur un nombre sensiblement élevé de données provenant du processus industriel à diagnostiquer, en vue de déterminer des fenêtres de productions favorables ; - un module de détermination de seuil de sélection de fenêtres (13), permettant de déterminer un seuil à partir duquel les fenêtres potentielles sont retenues lors d'une seconde phase de calculs fragmentés; - un module de groupage (14), permettant de répartir les combinaisons de paramètres entre plusieurs groupes afin d'effectuer des calculs de convergence; - un module de convergence (15), permettant de vérifier si un taux de convergence prévu entre les groupes est atteint. 12. Dispositif de caractérisation automatique d'un processus industriel évolutif IP_Lean_factory_fr rev 22 12 2011 2978577 selon la revendication 11, dans lequel les calculs sont non supervisés. 13. Dispositif de caractérisation automatique d'un processus industriel évolutif selon l'une des revendications 11 ou 12, dans lequel la grille (20) de calcul est évolutive. 14. Dispositif de caractérisation automatique d'un processus industriel évolutif selon la revendication 13, dans lequel une grille comporte au moins un noeud auquel une pluralité de microprocesseurs sont associés. 15. Dispositif de caractérisation automatique d'un processus industriel évolutif selon l'une des revendications 11 à 14, comprenant par ailleurs un module de fragmentation (10), permettant de répartir les calculs à effectuer entre une pluralité de modules de calculs de fenêtres de production. IP_Lean_factory_fr rev 22 12 2011