WO2013014524A1 - Dispositif et procede de diagnostic d'un processus industriel evolutif - Google Patents

Dispositif et procede de diagnostic d'un processus industriel evolutif Download PDF

Info

Publication number
WO2013014524A1
WO2013014524A1 PCT/IB2012/001436 IB2012001436W WO2013014524A1 WO 2013014524 A1 WO2013014524 A1 WO 2013014524A1 IB 2012001436 W IB2012001436 W IB 2012001436W WO 2013014524 A1 WO2013014524 A1 WO 2013014524A1
Authority
WO
WIPO (PCT)
Prior art keywords
module
calculation
windows
calculations
automatic characterization
Prior art date
Application number
PCT/IB2012/001436
Other languages
English (en)
Inventor
Sylvain RUBAT DU MERAC
Original Assignee
Ip Leanware
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 Ip Leanware filed Critical Ip Leanware
Priority to US14/234,759 priority Critical patent/US9488976B2/en
Publication of WO2013014524A1 publication Critical patent/WO2013014524A1/fr

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2609—Process control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31455—Monitor process status
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a method of automatic characterization of a manufacturing process of an industrial compound. It also relates to a device for automatic characterization of a manufacturing process of an industrial compound.
  • the document FR 2 692 037 describes a method of establishing a reference state and a current state for an industrial process on the basis of measured physical quantities relating to the implementation of all the equipment of this process. .
  • These two states are compared quantity by quantity, using fuzzy logic to classify quantities, and a diagnosis is established using expert rules.
  • the method involves having a reference state, in which the process is considered to proceed normally.
  • This state can also vary considerably depending on the conditions of use, making it virtually impossible to have prior knowledge of the reference state.
  • the reliability of the result is uncertain.
  • the document FR 2 827 055 relates to a configuration management method describing a set of objects each representing a function or describing a method of implementing a configuration of this product.
  • a database provides a precise definition of each object with its interrelations with other objects to create a set of constraint rules. This database is used interactively and dynamically when choosing options.
  • This method is useful for organizing and planning a production process in which the parameters of the object to be produced are likely to vary greatly from one product to another, as is the case for example in an assembly line. aircraft. This method is however not suitable for processes in which we seek a high stability and homogeneity of the product result. In addition, for a continuous process such as for the production of paper, chemicals, alloys or other materials, the method described is unsuitable.
  • BAU M GARTNER C AND AL "Subspace Selection for High Dimensional Data Clustering", DATA MINING, 2004. ICDM 2004. PROCEEDINGS FOURTH INTERNATIONAL IEEE CONFERENCE ON BRIGHTON, UK 01-04 NOV. 2004, PISCATAWAY, NJ, USA, IEEE, November 1, 2004, pages 11-18, describes a clustering algorithm referred to as "SURFING" (for "SUbspace Relevant For Clustering") that identifies all sub-domains. -interesting spaces for clustering and sorting them by relevance. Sorting is based on quality criteria relating to the interest of a subspace by using the distances of k closest neighboring objects.
  • This document is based on a very gluttonous algorithm (algorithm that follows the principle of making, step by step, a local optimum choice, in the hope of obtaining a global optimum result) considering the parameters one by one and not considering the combinations of parameters, thereby eliminating most combinations that the process according to the invention considers.
  • the example given includes 14 parameters and 3700 data, whereas the approach according to the invention advantageously makes it possible to process data quantities at least 10,000 times higher.
  • this document does not rely on a calculation grid (g).
  • the invention provides various technical means.
  • a first object of the invention is to provide a method of automatic characterization of a manufacturing process of an industrial compound for reliably and stably identifying the production windows. enabling improved results.
  • Another object of the invention is to provide a method of automatic characterization of a manufacturing process of an industrial compound for use with a continuous process.
  • Another object of the invention is to provide a method of automatic characterization of a manufacturing process of an industrial compound for use with a process involving a very large number of data to be processed.
  • Another object of the invention is to provide a method of automatic characterization of a manufacturing process of an industrial compound to reliably identify stable production windows without excluding possible solutions.
  • the invention provides a method for automatically characterizing a manufacturing process of an industrial compound for which a plurality of technical data concerning the state of the process and / or a material of the process and / or a process performance are available, comprising the steps of:
  • e) perform, using a computing grid comprising a plurality of processors, for a period determined by a calculation stop criterion, a first characterization phase of the manufacturing process concerned to obtain characteristics of potential manufacturing windows;
  • the approach according to the invention provides for taking into account all of the potential configurations. useful process, with an unsupervised calculation mode.
  • the method makes it possible to obtain window parameter terminals such that "the temperature is between 10 and 20 ° C. and the pressure is between 1 and 2 bars".
  • the limits or limits within which the values are acceptable are preferably obtained.
  • the discrete values or allowed modalities are preferably obtained (for example: equipment A or B or C). Convergence makes it possible to obtain identical solutions if the computations are carried out several times with the same data and a physical stability at the level of the industrial process considered.
  • Such an approach allows to take into account a particularly large number of data, so as to correspond to most current industrial processes, which often involve a very large number of parameters with each of many data.
  • a computation grid including for example 80 processors clocked at 2.4 GHz
  • the device according to the invention makes it possible to perform convergent calculations in a few tens of minutes for data quantities as evoked previously.
  • the device makes it possible not to exclude data or potential solutions.
  • the method presented is advantageously carried out without a priori on the data to be treated with a device as presented below.
  • At least a portion of the calculations to be performed is distributed (or fragmented) on a plurality of computers interconnected (the distribution is advantageously carried out using a fragmentation module on a calculation grid ).
  • the method advantageously uses a high computational capacity, allowing to take into account a very large number of operations. Thanks to the method according to the invention, the fragmented calculations performed by the grid are unsupervised, and the grid is naturally balanced. No learning mode suggests certain types of windows to the detriment of other types. The fact of carrying out a very large number of operations makes it possible to take into account a maximum of cases, without a priori, for a greater final precision.
  • the calculations are unsupervised.
  • Each module can serve as a management module. It is also possible to provide several management modules, each having a specificity.
  • the computing grid is scalable, which allows it to take advantage advantageously of the flexibility of a cloud computing type architecture. This feature allows you to add (or remove) one or more modules without affecting other modules.
  • a central unit controls the whole set by a centralized decision mode.
  • This approach offers little flexibility and little scalability.
  • it is advantageous to use a local management mode for example by request for availability to the other elements of the grid.
  • the element (s) available at the time of a query are used to distribute the calculations.
  • Any element of the grid can be manager at any time.
  • the system is naturally balanced in workload and can not delegate to a single member operations that disrupt the grid.
  • this evolutionary mode makes it possible to modify the architecture of the grid at any time without interrupting its operation.
  • the optimization function comprises the lever, to maximize.
  • the optimization function comprises the average of the setpoint (to be minimized or maximized depending on the case).
  • the criterion also includes the standard deviation.
  • the optimization function includes the "odd ratio" to maximize.
  • a calculation stop criterion is previously defined (fixed and not accessible or adjustable by the user).
  • the method comprises a step to receive a calculation stop criterion.
  • the determination of a window selection threshold is performed automatically by a threshold determination module which receives the characteristics of the potential windows and provides in return at least one selection threshold value of Windows.
  • a threshold determination module which receives the characteristics of the potential windows and provides in return at least one selection threshold value of Windows.
  • Such a step automatically manages the mode of determining a window selection threshold. All potential windows are conceivable.
  • the characteristics of the potential windows are provided, using an interface module, and the interface module receives at least one back-to-back interface. a window selection threshold value.
  • Such a step makes it possible to involve an external process for determining a window selection threshold.
  • the method comprises a step for designating one of the computers as a management module of the calculation process.
  • the fragmented calculation phases advantageously take place at least partially concomitantly.
  • the invention furthermore provides a device for automatic characterization of an evolutive industrial process for the implementation of the method previously described, comprising a plurality of technical steps aimed at producing a given industrial compound for which a plurality technical data of state or characterization are available, the device comprising:
  • a management module to manage the operations and exchanges of data between the different modules
  • a computing grid comprising a plurality of production window calculation modules, making it possible to perform in parallel in a substantially short time a substantially large number of operations on a substantially large number of data coming from the industrial process to be diagnosed, to determine windows of favorable productions;
  • a window selection threshold determination module making it possible to determine a threshold from which the potential windows are retained during a second fragmented calculation phase
  • each module can serve as a management module. It is also possible to provide several management modules, each having a specificity.
  • the computing grid is scalable, which allows it to take advantage advantageously of the flexibility of a cloud computing type architecture. This feature allows you to add (or remove) one or more modules without affecting other modules.
  • a gate comprises at least one node to which a plurality of microprocessors are associated.
  • a gate preferably includes a plurality of nodes and a plurality of microprocessors.
  • the diagnostic device further comprises a fragmentation module, for distributing the calculations to be performed between a plurality of production window calculation modules.
  • the fragmentation module is advantageously provided at a supervisor module. The module launches as needed calculations requests to other modules available, which accept or not a request according to their availability.
  • FIG. 1 is a schematic representation of an example of an industrial process that can be diagnosed using the method and the device according to the invention
  • FIG. 2 shows graphs showing an example of areas with values of a parameter to reproduce (light gray) or to avoid (dark gray);
  • FIG. 3 shows a graph showing an example of evolution of the lever production windows according to their size
  • FIG. 4 schematically shows an example of a calculation grid
  • FIG. 5 schematically shows the details of an exemplary module for calculating a grid
  • FIG. 6 is a schematic representation of an exemplary diagnostic device according to the invention.
  • FIG. 7 is a functional flow chart showing the main steps and phases of the process according to the invention.
  • FIG. 8 is a functional flowchart making it possible to represent in detail the stages of phase I;
  • FIG. 9 is a functional flowchart making it possible to depict in detail the stages of phase II;
  • the device and the automatic characterization method described in this provides technical diagnoses for complex industrial processes that also involve a very large amount of data to be processed. They also apply for process monitoring purposes, to search for more favorable operating conditions in terms of quality and / or quantity, and to allow the next cycles to operate under optimal conditions.
  • the processes likely to be the subject of such diagnoses or characterizations are very numerous, in particular in the industrial fields allowing the manufacture or preparation of products by means of continuous processes such as for the manufacture of paper, chemical products such as paint, alloys or various materials, etc. Other types of processes, even non-continuous ones, are also susceptible to characterization. Evolutionary processes, in which raw materials are treated or mixed step by step to progressively prepare a final product or mixture by gradually approaching it between the beginning and the end of the process, are particularly suitable for such characterizations.
  • An industrial process can be described by many parameters. Some characterize the state of the process: they are physical quantities (temperatures, pressures, power, etc.) or variables of state (position of valve, type of production, etc.) or information on the material or the environment of the process. Others characterize the performance of the process: hourly productivity, scrap rate, product quality, rejection rate, consumption, incidents, etc.
  • FIG. 1 schematically shows an example of a continuous industrial process that can be improved by means of an automatic characterization method according to the invention.
  • the objective is to improve the performance of the industrial process.
  • the values corresponding to each of the variable parameters of the process are collected in the form of data samples. It is possible to organize the data in matrix form so that a row of the matrix contains a set of data consistent with each other and that each column contains the data of a variable describing the process.
  • a papermaking process is shown schematically. The raw material undergoes a number of mixing operations, under specific conditions of temperature and pressure. At the end of the process, roll forming makes it easy to store and transport the paper produced before any other more specific shaping.
  • the manufacturing machines are often equipped with means for capturing and measuring the parameters relating to the manufacture.
  • Electronic and / or known computer means also allow to recover and store the parameters.
  • Formatting of the data in the form of a matrix is advantageously carried out, to facilitate their management.
  • each roll of paper is characterized by a set of parameters relating to the quality (whiteness, thickness, resistance, etc.) and to the manufacture (speeds, voltages, concentrations, etc.).
  • parameters relating to the quality whiteness, thickness, resistance, etc.
  • manufacture speeds, voltages, concentrations, etc.
  • a parameter to be advanced said "improvement instruction" is determined. It is desired to reduce the variability of this parameter in order to improve the performance of the process, in this example a papermaking process.
  • an area to be reproduced and an area to be avoided are defined, thus creating three categories of lines among those of the data matrix: - the lines for which the improvement instruction is undefined;
  • the automatic characterization method according to the invention makes it possible to perform an automatic analysis of the production data in order to determine production windows making it possible to maximize the proportion of good productions in the meaning defined above (outperforming configurations).
  • the result of the diagnosis makes it possible to operate the process studied under more favorable conditions.
  • a production window is a combination of a few parameters with, for each of these parameters, an authorized range of variation (characterized by a lower limit and an upper limit for a numerical variable or a list of permitted values in the case of a parameter). 'a discrete variable).
  • the term “lever” (the English term "lift” is also commonly used) is the ratio of the proportion of good productions in a production window vis-à-vis the proportion of good productions of all the data. .
  • Production windows obtained can be implemented operationally so as to repeat the outperformance observed in the past.
  • FIG. 5 illustrates an example of hardware architecture particularly useful for the implementation of the method according to the invention.
  • the automatic characterization device 1 comprises a series of modules each having one or more specific functions.
  • a fragmentation module 10 is provided for fragmenting or distributing or distributing the calculations to be performed at the level of the multiple calculation modules 21 of the calculation grid 20.
  • a counter module 11 makes it possible to stop the windows calculations according to one or more stopping criteria such as, for example, a calculation time (for example three minutes or other) or a number of operations, or the like.
  • a management module 12 makes it possible to manage and coordinate the steps of the method, the calculations to be made, the data flows, the resources, and the results obtained.
  • a window selection threshold determination module 13 makes it possible to establish a threshold from which the production windows can be considered for a second calculation phase. The threshold is determined based on the results of the first calculation phase.
  • a grouping module 14 makes it possible to distribute the results of the calculations of phase II in at least two groups, in view of a convergence phase for which a convergence module 15 is provided, in order to perform the convergence tests between the groups according to specific criteria. Thanks to this module and the convergence phase, stable, consistent and reliable results are obtained.
  • the data used in the method are advantageously housed in one or more databases such as the bases 30 and 40.
  • the base 30 is advantageously dedicated to the input parameters, the improvement instructions and the control functions. 'optimization.
  • the base 40 is advantageously dedicated to the data in relation to the production windows, both for intermediate data calculations and for the final results sought.
  • the bases 30 and 40 may be combined and / or provided remotely or nearby.
  • FIG. 5 shows an example of architecture of the modules.
  • the architecture may vary depending, for example, on possible combinations of certain modules.
  • the management module 12 and the counter module 11 can be combined into a single module.
  • the grouping module 14 and the convergence module 15 can also be combined or the counter module 11 can be deported or not in each of the modules 21 of the calculation grid 20.
  • FIG. 6 diagrammatically illustrates a calculation module 21 of the gate 20.
  • a module comprises at least one microprocessor 22, at least one memory module 23 and at least one production window calculation module 24.
  • the calculations involved by the method according to the invention are often very heavy depending on the number of rows and columns of the databases processed. For efficient processing, it is intended to distribute them on a grid 20 having several nodes physically distributed on a computer network. Each node is able:
  • FIG. 4 shows an example of a grid comprising three nodes of four calculating processes each.
  • Each node knows the state of the computing processes that are attached to it and in particular the number of unoccupied processes.
  • a complete calculation sequence can be distributed, for example, in the following way: a number of computational fragments is computed proportional to the number of points of the base to be studied and to the logarithm of the half the number of dimensions. Each fragment is the subject of a calculation run on a node of the grid. The same number of fragments can be implemented during each phase of the complete computational task. For each phase of the computation task, the main node provides the other nodes with the computational fragments.
  • Nodes continually and sequentially query other nodes (they know the list) to obtain fragments for their unoccupied computing processes: they get fragments as soon as a node distributes a task.
  • the distribution of the fragments is done according to a process pulled by the nodes of the grid which allows a natural balancing of the load and maximum use of the available computing capacities.
  • Each calculator process calculates for a fixed time (for example three minutes) and then returns the results to the main node that consolidates them.
  • a grid can be completed virally simply by putting a new node in relation with any of the pre-existing nodes.
  • the implementation of the various modules previously described is advantageously achieved by means of implementation instructions, allowing the modules to perform the operation or operations specifically provided for the module concerned.
  • the instructions may be in the form of one or more software or software modules implemented by one or more microprocessors.
  • the module (s) and / or the software (s) are advantageously provided in a computer program product comprising a recording medium or recording medium that can be used by one or more computers and comprising a program code readable by a computer integrated in said computer medium or medium, allowing an application software execution on a computer or other device comprising a microprocessor.
  • FIGS 7 to 9 illustrate, using a functional flowchart, the different key steps of the process according to the invention.
  • the determination of the outperforming production windows takes place in three main automatic steps, to which a pre-step (preparatory phase) can be added.
  • This preparatory phase consists in removing from the data set lines for which the improvement instruction is not defined.
  • FIG. 7 shows the three phases of the process.
  • the parameter data, the improvement setpoint and the optimization function are received from a database 30.
  • the calculations are distributed at the level of the gate 20, for example by a fragmentation module 10, and the fragmented calculations of a plurality of windows are performed until a given stopping criterion is reached.
  • the counter module 11 makes it possible to check the achievement of the established criterion, for example the time or a given number of operations, etc.
  • the calculations are not supervised, they are performed stochastically.
  • the management module 12 is provided in order to manage the smooth running of the calculation operations.
  • the characteristics of the potential windows are obtained. According to these characteristics, a production window selection threshold is determined in step 140 by the window selection threshold determination module 13.
  • FIG. 8 makes it possible to present in greater detail an exemplary embodiment of phase I.
  • the counter module 11 is started at step 111, in this example for three minutes.
  • step 120 carried out in a loop, a plurality of windows are successively calculated, using the production window calculation modules 24, by recovering the corresponding data of size and leverage, as long as the stopping threshold of calculation is not achieved (step 121).
  • step 130 the characteristics of the windows are obtained.
  • the calculation process is conducted stochastically. It is based on the creation of an initial window based on two lines of good data chosen at random. Subsequently, the window is widened by random deletion of variables from the list of constraints. Finally, the bounds or modalities of each variable taken in turn in a random order are enlarged so as to produce a succession of production windows of increasing size.
  • step 200 the calculations to be performed are distributed by a fragmentation module 10 at the gate 20 and the fragmented calculations of a plurality of windows are performed in step 210. These two steps can be combined. The calculations are unsupervised and are stopped when a stop threshold, monitored by a counter module 11, is reached. In step 220, the parameter combinations for potential production windows are obtained.
  • FIG. 9 makes it possible to present phase II in more detail.
  • a counter module is started in step 201.
  • step 210 performed in a loop at the gate 20, successively calculates, at using the production window calculation modules 24, a plurality of windows retrieving the combinations of parameters respecting the established selection threshold, as long as the calculation stop threshold is not reached (step 211).
  • step 220 the combinations of parameters respecting the threshold are obtained.
  • the process is conducted stochastically. It is based on the creation of an initial window based on at least two lines of good data chosen at random. Subsequently, the window is expanded by random deletion of variables from the list of constraints.
  • phase III the combination data are grouped in step 300 by a grouping module 14. Two or more groups are thus formed.
  • step 301 a group convergence test is performed by a convergence module 15. Phase II is repeated until a convergence rate is obtained agreed.
  • step 302 the values of the allowed limits or modalities of the resulting outperforming production window parameters are obtained. Search on average or median
  • the category approach is particularly suitable when a target area is imposed, for example by a customer specification for a quality data.
  • a massive calculation of production windows is performed for a planned duration, such as three minutes, on a grid comprising computers.
  • a selection threshold of production windows is then determined. To do this, the number of points (that is, the size) and the leverage for each production window are retrieved. In this example, the 100 best windows obtained make it possible to determine a window selection threshold of minimum size and leverage for the windows that will be retained at the end of the process.
  • FIG. 3 illustrates, from the data of this example collected in phase I, a curve representing the lever of the production windows according to their size. It should be noted that the production windows indicated by triangles on the curve are determined after redistribution of the quality of the improvement instruction. They are therefore only mathematical objects without any physical value. The distance between the populations represented respectively by triangles and rounds makes it possible to evaluate the response rate of the database.
  • a massive calculation of production windows is performed for a planned duration, such as three minutes, on a grid comprising computers. For each window, the combination of parameter values implemented is retrieved.
  • a grouping is performed. For example, two groups are formed with the frequency of appearance of combinations of parameters, half of the calculators contributing to one of the groups, the other half to the other group.
  • the convergence rate between the two groups is determined as the percentage of common combinations in the head of the group list. In this example, the twenty most common combinations are considered. This number is preferably configurable. If the convergence rate is lower than a parameterized objective, for example 90%, a new second phase of distributed computations is started. Otherwise, we can go to the stage of obtaining the results. At the end of the process, the outperforming production windows are displayed and / or stored and / or provided to the user or to another device for later use.
  • optimization functions of the production windows can be used.
  • the functions can take into account the size, the lever, the "odd-ratio", the average, the standard deviation, but also other criteria such as the stability of the performance in the window.
  • the choice of the optimization function is likely to influence the result considerably.
  • the optimization function variants presented in the following may lead to sometimes very different results. This allows the user to focus on certain work axes rather than others.
  • Production window Voltage between 14.785 and 15.452 and concentration between 0.04236 and 0.05214. This production window contains only points 1 and 2, which is 100% of good productions. It therefore shows an improvement of 2 compared to the general population. The maximum leverage is reached in this case. The window also includes half of the lots. A lever-size optimization function of 0.5 can be assigned.
  • the robustness of the production window with respect to a parameter such as the ratio of the extent (difference between the control limits or the difference between the extreme values) of this parameter in the production window is characterized. versus the initial dataset.
  • the parameters of the type time stamp are replaced by numerical values.
  • the value 0 is the oldest date in the dataset, each subsequent value being the time elapsed since the value 0 (in seconds for example).
  • a conventional numerical parameter is obtained vis-à-vis which the robustness of the production window can be calculated. Date-type parameters are particularly useful for evaluating the consistency of the performance of the production window over time.
  • This function is the product of robustness vis-à-vis each of the parameters of a set of parameters.
  • the parameters constituting the set can be determined for example by a hierarchical group (using Pearson correlation coefficients for example) or by performing a decomposition into principal components of the dataset. Robustness function with respect to non respect of the production window
  • Additional criteria for optimizing the production windows can be provided, for example by imposing target values on statistics relating to the other variables in the production window. By For example, it can be imposed that a speed must imperatively have a minimum average value in the production window. Windows that do not meet the constraints are eliminated by the diagnostic device. Addition of a neutral zone for calculating the leverage

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Factory Administration (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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 caractérisation automatique d'un processus de fabrication d'un composé industriel. Elle concerne également un dispositif de caractérisation automatique d'un processus de fabrication d'un composé industriel.
ETAT DE LA TECHNIQUE ANTERIEURE
[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.
[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 œuvre 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 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 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. [004] Le document FR 2 827 055 concerne un procédé de gestion de configuration décrivant un ensemble d'objets représentant chacun une fonction ou décrivant une méthode de mise en œuvre 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 chaîne 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] Le document BAU M GARTNER C ET AL : « Subspace Sélection for Clustering High Dimensional Data », DATA MINING, 2004. ICDM 2004. PROCEEDINGS FOURTH IEEE INTERNATIONAL CONFERENCE ON BRIGHTON, UK 01-04 NOV. 2004, PISCATAWAY, NJ, USA, IEEE, 1 novembre 2004, pages 11-18, décrit un algorithme de clustering désigné par le terme « SURFING » (pour « SUbspace Relevant For clusterING ») qui permet d'identifier l'ensemble des sous-espaces intéressants pour le clustering et les trie par pertinence. Le tri est basé sur des critères de qualité portant sur l'intérêt d'un sous-espace en utilisant les distances des k plus près objets voisins. Cette approche étant pratiquement sans paramètre, elle permet de gérer la notion non- supervisée du clustering d'une façon avantageuse. Ce document enseigne un procédé permettant de classifier les combinaisons de paramètres en 3 groupes : « Intéressant », « neutre » et « non pertinent ». Ces trois groupes sont strictement différents (c'est à dire que leur intersection est vide) et il ne peut donc en aucun cas y avoir convergence. Par ailleurs, le procédé décrit, ainsi que ceux qui y sont mentionnés (CLIQUE et RIS), proposent un parcours déterminé des données et une convergence vers une solution par élimination successives plutôt qu'un parcours stochastique donnant accès à n'importe quel combinaison de paramètres tout en garantissant une convergence vers une solution répétable.
[006] Le document RUDIGER BRAUSE : «Real-valued Feature Sélection by Mutual Information of Order 2 » TOOLS WITH ARTIFICIAL INTELLIGENCE, 2009. ICTAI '09. 21 ST INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 2 novembre 2009, pages 597-604, décrit une solution de sélection de caractéristiques à des fins de clustering, de classification et d'approximation. Pour des caractéristiques à valeurs réelles, le document enseigne comment la sélection de caractéristiques pour un nombre élevé de caractéristiques peut être implémentée en se basant sur l'information mutuelle. L'approche de Rènyl d'information mutuelle d'ordre 2 en tant que base de calcul est utilisée afin de calculer des probabilités jointes pour plusieurs dimensions comportant seulement quelques exemples. Cette approche se base uniquement sur l'information mutuelle pour noter l'intérêt d'un paramètre plutôt que de considérer n'importe quelle fonction d'optimisation.
[007] Ce document se base sur un algorithme très glouton (algorithme qui suit le principe de faire, étape par étape, un choix optimum local, dans l'espoir d'obtenir un résultat optimum global) considérant les paramètres un par un et ne considérant pas les combinaisons de paramètres, écartant de ce fait la plupart des combinaisons que le procédé selon l'invention considère. L'exemple donné comporte 14 paramètres et 3700 données alors que l'approche selon l'invention permet avantageusement de traiter des quantités de données au moins 10 000 fois supérieures. Enfin, ce document ne s'appuie pas sur une grille de calcul (g).
[008] Pour pallier ces différents inconvénients, l'invention prévoit différents moyens techniques.
EXPOSE DE L'INVENTION
[009] Tout d'abord, un premier objet de l'invention consiste à prévoir un procédé de caractérisation automatique d'un processus de fabrication d'un composé industriel permettant d'identifier de façon fiable et stable les fenêtres de production permettant l'obtention de résultats améliorés.
[0010] Un autre objet de l'invention consiste à prévoir un procédé de caractérisation automatique d'un processus de fabrication d'un composé industriel permettant une utilisation avec un processus continu.
[0011] Un autre objet de l'invention consiste à prévoir un procédé de caractérisation automatique d'un processus de fabrication d'un composé industriel permettant une utilisation avec un processus impliquant un très grand nombre de données à traiter.
[0012] Un autre objet de l'invention consiste à prévoir un procédé de caractérisation automatique d'un processus de fabrication d'un composé industriel permettant d'identifier de façon fiable et stable des fenêtres de production sans exclure de solutions éventuelles.
[0013] Pour ce faire, l'invention prévoit un 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 chaîne 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 ;
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 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 ;
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 d'un dispositif de caractérisation automatique, un seuil de sélection de fenêtres de fabrication ;
g) effectuer, au moyen d'une grille 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 ;
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 ;
i) vérifier, à l'aide d'un module de convergence d'un dispositif de caractérisation automatique, le taux de convergence entre les groupes en fonction d'un taux objectif ;
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.
[0014] Contrairement aux approches classiques, qui visent à minimiser le nombre de calculs à effectuer, éliminant ainsi d'emblée un certain nombre de solutions 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. [0015] Une telle approche 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, 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 comportant par exemple 80 processeurs cadencés à 2,4 GHz, le dispositif selon l'invention permet d'effectuer des calculs convergents en quelques dizaines de minutes pour des quantités de données tel qu'évoqué préalablement. Ainsi, le dispositif permet de ne pas exclure de données, ni de solutions potentielles. Le procédé présenté est avantageusement effectué sans à priori sur les données à traiter avec un dispositif tel que présenté ci-dessous.
[0016] 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).
[0017] 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.
[0018] Selon un mode de réalisation avantageux, les calculs sont non supervisés. Chaque module peut servir de module de gestion. Il est également possible de prévoir plusieurs modules de gestion, chacun ayant une spécificité. [0019] Selon un autre mode de réalisation avantageux, la grille de calcul est évolutive, ce qui lui permet de profiter avantageusement de la flexibilité d'une architecture de type Cloud Computing. Cette caractéristique permet d'ajouter (ou de retirer) un ou plusieurs modules sans affecter les autres modules.
[0020] Ces caractéristiques sont particulièrement avantageuses, car dans une gestion classique supervisée, une unité centrale contrôle tout l'ensemble par un mode de décision centralisé. Cette approche offre peu de souplesse et peu d'évolutivité. Selon l'invention, il est avantageusement prévu d'utiliser un mode de gestion locale, par exemple par demande de disponibilité aux autres éléments de la grille. Le ou les éléments disponibles au moment d'une requête sont utilisés pour répartir les calculs. Ainsi, il est possible d'avoir plusieurs gestionnaires simultanément. Tout élément de la grille peut être gestionnaire à tout moment. Le système est naturellement équilibré en charge de travail et ne peut donc pas déléguer à un seul membre des opérations qui désorganiseraient la grille. Enfin, ce mode évolutif permet de modifier l'architecture de la grille à tout moment sans interrompre son fonctionnement. [0021] Selon une autre variante de réalisation, la fonction d'optimisation comprend le levier, à maximiser.
[0022] Selon encore un autre mode de réalisation, la fonction d'optimisation comprend la moyenne de la consigne (à minimaliser ou maximaliser selon les cas). Dans une variante, le critère comprend aussi l'écart type.
[0023] Selon encore une autre variante de réalisation, la fonction d'optimisation comprend le « odd ratio », à maximiser. [0024] De manière avantageuse, un critère d'arrêt de calcul est préalablement défini (fixe et non accessible ou ajustable par l'utilisateur).
[0025] Dans une autre variante de réalisation, le procédé comporte une étape permettant de recevoir un critère d'arrêt de calcul.
[0026] 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 de sélection de fenêtres. Toutes les fenêtres potentielles sont envisageables. [0027] 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 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.
[0028] Dans une autre variante de réalisation, le procédé comporte une étape permettant de désigner un des calculateurs en tant que module de gestion du processus de calcul.
[0029] Les phases de calculs fragmentés se déroulent avantageusement de façon au moins partiellement concomitante.
[0030] L'invention prévoit par ailleurs un dispositif de caractérisation automatique d'un processus industriel évolutif pour la mise en œuvre du procédé préalablement décrit, 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 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 gestion, 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, 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;
- 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. [0031] Selon un mode de réalisation avantageux, les calculs sont non supervisés. Chaque module peut servir de module de gestion. Il est également possible de prévoir plusieurs modules de gestion, chacun ayant une spécificité.
[0032] Selon un autre mode de réalisation avantageux, la grille de calcul est évolutive, ce qui lui permet de profiter avantageusement de la flexibilité d'une architecture de type Cloud Computing. Cette caractéristique permet d'ajouter (ou de retirer) un ou plusieurs modules sans affecter les autres modules.
[0033] Egalement de manière avantageuse, une grille comporte au moins un nœud auquel une pluralité de microprocesseurs sont associés. Une grille comporte de préférence une pluralité de noeuds et une pluralité de microprocesseurs.
[0034] 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 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.
DESCRIPTION DES FIGURES
[0035] 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
[0036] Le dispositif et le procédé de caractérisation automatique 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, et pour permettre d'opérer les prochains cycles dans des conditions optimales. Les processus susceptibles de faire l'objet de tels diagnostics ou caractérisations 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 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 caractérisations. 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 le début et la fin du processus, sont particulièrement indiqués pour de telles caractérisations.
[0037] Un processus industriel peut être décrit par de nombreux paramètres. Certains caractérisent l'état du processus: ce sont des grandeurs physiques (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.
[0038] La figure 1 présente de façon schématique un exemple de processus industriel continu susceptible d'être amélioré à l'aide d'un procédé de caractérisation automatique selon l'invention. [0039] L'objectif consiste à améliorer la performance du processus industriel. Pour 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 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 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 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 avantageusement effectuée, pour faciliter leur gestion.
[0040] 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 de qualité en regard des paramètres décrivant l'état du processus ayant mené à cette qualité.
Figure imgf000014_0001
[0041] Parmi l'ensemble des paramètres, un paramètre à faire progresser, dit « 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 : - 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 2).
[0042] Le procédé de caractérisation automatique 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. [0043] 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). [0044] On appelle « levier » (le terme anglais « lift » est aussi couramment utilisé) le ratio de la proportion de productions bonnes dans une fenêtre de production vis- à-vis de la proportion de productions bonnes de l'ensemble des données.
[0045] 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 production est de 3.
[0046] Les fenêtres de production obtenues pourront être mises en œuvre opérationnellement de manière à répéter la surperformance observée par le passé.
Architecture matérielle
[0047] La figure 5 illustre un exemple d'architecture matérielle particulièrement utile pour la mise en œuvre du procédé selon l'invention.
[0048] Le dispositif de caractérisation automatique 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 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 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.
[0049] 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 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.
[0050] Les données mises en œuvre 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.
[0051] 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. [0052] 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 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.
[0053] La figure 6 illustre schématiquement un module de calcul 21 de la grille 20. 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
[0054] Les calculs impliqués par le procédé selon l'invention sont souvent très 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 nœuds distribués physiquement sur un réseau d'ordinateurs. Chaque nœud est capable :
- de produire des fenêtres de production par délégation à un nombre configurable 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 nœuds.
[0055] La figure 4 montre un exemple de grille comportant trois nœuds de quatre processus calculateurs chacun. Chaque nœud connaît 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 moitié du nombre de dimensions. Chaque fragment fait l'objet d'une passe de calculs sur un nœud de la grille. Le même nombre de fragments peut être mis en œuvre lors de chaque phase de la tâche complète de calculs. Pour chaque phase de la tâche de calcul, le nœud principal met à disposition des autres nœuds les fragments de calcul. Les nœuds interrogent continuellement et séquentiellement les autres nœuds (ils en connaissent la liste) afin d'obtenir des fragments pour leurs processus calculateurs inoccupés : ils obtiennent donc des fragments dès qu'un nœud distribue une tâche. [0056] Ainsi, la distribution des fragments se fait selon un processus tiré par les nœuds de la grille ce qui permet un équilibrage naturel de la charge et une utilisation maximale des capacités de calcul disponibles. Chaque processus calculateur calcule pendant un temps fixe (par exemple trois minutes) puis retourne les résultats au nœud principal qui les consolide.
[0057] Une grille peut être complétée de manière virale en mettant simplement un nouveau nœud en relation avec l'un quelconque des nœuds préexistants.
[0058] La mise en œuvre 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 œuvre, permettant aux modules d'effectuer la ou les opérations spécifiquement prévues pour le module concerné. Les instructions peuvent être sous la forme d'un ou plusieurs logiciels ou modules de logiciels mis en œuvre 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 médium d'enregistrement utilisable par un ou plusieurs ordinateurs et comportant un code programmé lisible par un ordinateur intégré dans ledit support ou médium, permettant à un logiciel applicatif son exécution sur un ordinateur ou autre dispositif comportant un microprocesseur.
Etapes du procédé
[0059] Les figures 7 à 9 illustrent, à l'aide d'un organigramme fonctionnel, les différentes étapes clés du procédé selon l'invention.
[0060] 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 définie.
[0061] 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 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 nœud, les calculs ne 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 de fenêtre 13.
[0062] 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 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, tant 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 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 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.
[0063] Pour la phase II, 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 combinaisons de paramètres pour des fenêtres de production potentielles sont obtenues.
[0064] La figure 9 permet de présenter plus en détails la phase II. Après distribution des calculs en une pluralité de processus de calculs à l'étape 200, un 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 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 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. [0065] A la phase III, les données de combinaisons sont groupées à l'étape 300 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 II jusqu'à obtention d'un taux de convergence convenu. A l'étape 302, les valeurs des bornes ou modalités autorisées des paramètres des fenêtres de production surperformantes résultantes sont obtenues. Fouille en moyenne ou médiane
[0066] 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 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 d'amélioration est décalée dans le sens souhaité par rapport au jeu de données complet (configurations surperformantes).
Exemple
[0067] Par exemple, considérons un processus tel que celui de la figure 1 , dans 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 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. Première Phase : calculs distribués
[0068] Un calcul massif de fenêtres de production est effectué pendant une durée prévue, comme par exemple trois minutes, sur une grille comportant p calculateurs. [0069] 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.
[0070] La figure 3 illustre, à partir des données de cet exemple collectées en 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 respectivement par des triangles et des ronds permet d'évaluer le taux de réponse de la base de données.
Deuxième Phase : nouveaux calculs distribués
[0071] Un calcul massif de fenêtres de production est effectué pendant une durée 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 œuvre.
Troisième Phase : convergence
[0072] 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 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 calculs distribués est lancée. Sinon, on peut passer à l'étape d'obtention des résultats. [0073] 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
[0074] Diverses fonctions d'optimisation des fenêtres de production peuvent être utilisées. Les fonctions peuvent prendre en compte la taille, le levier, le « 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.
[0075] 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)
[0076] 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.
Figure imgf000024_0001
[0077] Objectif / consigne d'amélioration : Blancheur supérieure à 23. Les lots 1 et 2 sont bons. Le nombre maximum de points bons est donc 2.
[0078] 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.
[0079] Fenêtre de production : Tension entre 14.785 et 15.452 et Concentration 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.
Nb de lots de la fenêtre Levier de la fenêtre 2 2
x = .„ — = 0,5
Nb total de lots Levier maximum 4 2
Fonction de robustesse de la fenêtre de production vis-à-vis de la variabilité d'une autre variable
[0080] 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.
[0081] 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 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.
Fonction de robustesse de la fenêtre de production vis-à-vis de la variabilité d'un ensemble de variables
[0082] Cette fonction est le produit des robustesses vis-à-vis de chacun des paramètres d'un ensemble de paramètres. Les paramètres constituant l'ensemble 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
[0083] 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 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). Fonctions d'optimisation combinées
[0084] 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. Autres critères (contraintes)
[0085] 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
[0086] 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 œuvre 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.
[0087] 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.
[0088] 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.

Claims

REVENDICATIONS
1. 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 chaîne 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 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. 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. Procédé de caractérisation automatique selon l'une des revendications 1 ou 2, dans lequel la fonction d'optimisation comprend le levier, à maximiser.
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. Procédé de caractérisation automatique selon l'une des revendications 1 à 4, dans lequel le critère d'arrêt de calcul est préalablement défini.
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. 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. 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.
9. 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 œuvre 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 selon la revendication , 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 nœud 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.
PCT/IB2012/001436 2011-07-26 2012-07-26 Dispositif et procede de diagnostic d'un processus industriel evolutif WO2013014524A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/234,759 US9488976B2 (en) 2011-07-26 2012-07-26 Device and method for diagnosing an evolutive industrial process

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1102324A FR2978577B1 (fr) 2011-07-26 2011-07-26 Dispositif et procede de diagnostic d'un processus industriel evolutif
FR1102324 2011-07-26

Publications (1)

Publication Number Publication Date
WO2013014524A1 true WO2013014524A1 (fr) 2013-01-31

Family

ID=46717906

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2012/001436 WO2013014524A1 (fr) 2011-07-26 2012-07-26 Dispositif et procede de diagnostic d'un processus industriel evolutif

Country Status (3)

Country Link
US (1) US9488976B2 (fr)
FR (1) FR2978577B1 (fr)
WO (1) WO2013014524A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105204438A (zh) * 2015-07-29 2015-12-30 西安交通大学 一种面向缸盖零件的加工质量控制方法
CN105373098A (zh) * 2015-11-26 2016-03-02 江南大学 一种基于变量时段分解的间歇过程无模型在线滚动优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2692037A1 (fr) 1992-06-03 1993-12-10 Thomson Csf Procédé de diagnostic d'un processus évolutif.
FR2827055A1 (fr) 2001-07-05 2003-01-10 Airbus Ind Procede pour struturer et gerer la configuration de produits industriels, notamment d'avions

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5659477A (en) * 1994-12-28 1997-08-19 Collins; Charles Michael Self reproducing fundamental fabricating machines (F-Units)
US20060053039A1 (en) * 2004-09-03 2006-03-09 David Gamarnik Method and apparatus for business process analysis and optimization
US20060168013A1 (en) * 2004-11-26 2006-07-27 Invensys Systems, Inc. Message management facility for an industrial process control environment
US8117007B2 (en) * 2008-09-12 2012-02-14 The Boeing Company Statistical analysis for maintenance optimization
US8477137B2 (en) * 2010-03-19 2013-07-02 Yokogawa Electric Corporation Method and apparatus for generating a material flow diagram for an industrial plant

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2692037A1 (fr) 1992-06-03 1993-12-10 Thomson Csf Procédé de diagnostic d'un processus évolutif.
FR2827055A1 (fr) 2001-07-05 2003-01-10 Airbus Ind Procede pour struturer et gerer la configuration de produits industriels, notamment d'avions

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
BAUMGARTNER C ET AL.: "Subspace Selection for Clustering High Dimensional Data", DATA MINING, 2004. ICDM 2004. PROCEEDINGS FOURTH IEEE INTERNATIONAL CONFERENCE ON BRIGHTON, 1 November 2004 (2004-11-01), pages 11 - 18, XP010778867, DOI: doi:10.1109/ICDM.2004.10112
BAUMGARTNER C ET AL: "Subspace Selection for Clustering High-Dimensional Data", DATA MINING, 2004. ICDM 2004. PROCEEDINGS. FOURTH IEEE INTERNATIONAL C ONFERENCE ON BRIGHTON, UK 01-04 NOV. 2004, PISCATAWAY, NJ, USA,IEEE, 1 November 2004 (2004-11-01), pages 11 - 18, XP010778867, ISBN: 978-0-7695-2142-8, DOI: 10.1109/ICDM.2004.10112 *
EUGENIO CESARIO ET AL: "From Parallel Data Mining to Grid-Enabled Distributed Knowledge Discovery", 14 May 2007, ROUGH SETS, FUZZY SETS, DATA MINING AND GRANULAR COMPUTING; [LECTURE NOTES IN COMPUTER SCIENCE], SPRINGER BERLIN HEIDELBERG, BERLIN, HEIDELBERG, PAGE(S) 25 - 36, ISBN: 978-3-540-72529-9, XP019120857 *
HELENE OLPHE GAILLARD: "Braincube performance system introduction", PAPERCON 09, 2 June 2009 (2009-06-02), internet/CD-ROM/oral, pages 1 - 11, XP055020116, ISBN: 978-1-59-510187-7 *
HELENE OLPHE GAILLARD: "Braincube performance system introduction", PAPERCON 09, 2 June 2009 (2009-06-02), Not known, article identical to XP055020116, XP055021311, Retrieved from the Internet <URL:unknown> [retrieved on 20120308] *
LEIHONG GAO ET AL: "Data mining on a kind of complex industrial process", MACHINE LEARNING AND CYBERNETICS, 2003 INTERNATIONAL CONFERENCE ON NOV. 2-5, 2003, PISCATAWAY, NJ, USA,IEEE, vol. 1, 2 November 2003 (2003-11-02), pages 105 - 107, XP010682355, ISBN: 978-0-7803-7865-0, DOI: 10.1109/ICMLC.2003.1264451 *
RUDIGER BRAUSE: "Real-valued Feature Selection by Mutual Information of Order 2", TOOLS WITH ARTIFICIAL INTELLIGENCE, 2009. ICTAI '09. 21ST INTERNATIONAL CONFERENCE ON, 2 November 2009 (2009-11-02), pages 597 - 604, XP031590728
RÜDIGER BRAUSE: "Real-Valued Feature Selection by Mutual Information of Order 2", TOOLS WITH ARTIFICIAL INTELLIGENCE, 2009. ICTAI '09. 21ST INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 2 November 2009 (2009-11-02), pages 597 - 604, XP031590728, ISBN: 978-1-4244-5619-2 *
STANKOVSKI ET AL: "Special section: Data mining in grid computing environments", FUTURE GENERATIONS COMPUTER SYSTEMS, ELSEVIER SCIENCE PUBLISHERS. AMSTERDAM, NL, vol. 23, no. 1, 1 January 2007 (2007-01-01), pages 31 - 33, XP005651216, ISSN: 0167-739X, DOI: 10.1016/J.FUTURE.2006.05.001 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105204438A (zh) * 2015-07-29 2015-12-30 西安交通大学 一种面向缸盖零件的加工质量控制方法
CN105373098A (zh) * 2015-11-26 2016-03-02 江南大学 一种基于变量时段分解的间歇过程无模型在线滚动优化方法
CN105373098B (zh) * 2015-11-26 2017-10-24 江南大学 一种基于变量时段分解的间歇过程无模型在线滚动优化方法

Also Published As

Publication number Publication date
US20140228994A1 (en) 2014-08-14
US9488976B2 (en) 2016-11-08
FR2978577B1 (fr) 2020-04-03
FR2978577A1 (fr) 2013-02-01

Similar Documents

Publication Publication Date Title
US20150302432A1 (en) Classifying, Clustering, and Grouping Demand Series
FR3098938A1 (fr) Procédé et dispositif de détermination d’une valeur d’indice de performance de prédiction d’anomalies dans une infrastructure informatique à partir de valeurs d’indicateurs de performance
US20180253637A1 (en) Churn prediction using static and dynamic features
Brescia et al. Automated physical classification in the SDSS DR10. A catalogue of candidate quasars
Lima et al. Domain knowledge integration in data mining using decision tables: case studies in churn prediction
EP3172548B1 (fr) Procédé pour détecter des anomalies dans un réseau de distribution, en particulier d&#39;eau potable
Bristi et al. Predicting imdb rating of movies by machine learning techniques
EP3767558B1 (fr) Procede et dispositif de determination d&#39;une duree estimee avant un incident technique dans une infrastructure informatique a partir de valeurs d&#39;indicateurs de performance
Muslim et al. Company bankruptcy prediction framework based on the most influential features using XGBoost and stacking ensemble learning
EP3767468A1 (fr) Procédé et dispositif de détermination d&#39;une valeur de risque d&#39;incident technique dans une infrastructure informatique à partir de valeurs d&#39;indicateurs de performance
WO2013014524A1 (fr) Dispositif et procede de diagnostic d&#39;un processus industriel evolutif
WO2021009364A1 (fr) Procédé d&#39;identification de données aberrantes dans d&#39;un jeu de données d&#39;entrée acquises par au moins un capteur
CN118115098A (zh) 基于深度学习的大数据分析与处理系统
FR3105863A1 (fr) Procédé ET système de conception d’un modèle de prédiction
EP1131750A1 (fr) Outil de modelisation a capacite controlee
EP4099228A1 (fr) Apprentissage automatique sans annotation ameliore par regroupements adaptatifs en ensemble ouvert de classes
Kaliyan et al. Secure Decision-Making Approach to Improve Knowledge Management Based on Online Samples.
Mohd et al. Rapid modelling of machine learning in predicting office rental price
William et al. Impact of Green Marketing Strategies on Business Performance Using Big Data
Helmi et al. Effect the Graph Metric to Detect Anomalies and Non-Anomalies on Facebook Using Machine Learning Models
Rajabalinejad et al. Determination of stakeholders' consensus over values of system of systems
Tsai et al. Data mining for yield improvement of photo spacer process in color filter manufacturing
EP3622445A1 (fr) Procede, mise en oeuvre par ordinateur, de recherche de regles d&#39;association dans une base de donnees
WO2019211367A1 (fr) Procede de generation automatique de reseaux de neurones artificiels et procede d&#39;evaluation d&#39;un risque associe
Leverger Investigation of a framework for seasonal time series forecasting

Legal Events

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

Ref document number: 12748763

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 14234759

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 12748763

Country of ref document: EP

Kind code of ref document: A1