Cas d’applications pratiques

  Application de la MSPC (Multivariate Statistical Process Control) pour la supervision d’un procédé industriel

Le contrôle en ligne des procédés est devenu incontournable dans de nombreuses industries. Ce suivi permet une amélioration de la qualité des produits et une réduction des coûts, grâce à une meilleure supervision de la production et à une intervention rapide en cas de dérives ou d’anomalies.

Dans le cas d’une production en continu, la MSPC est un outil essentiel permettant :

  • le suivi de plusieurs critères simultanément, qui peuvent être simples – informations de température, de pression, … – ou complexes – données spectroscopiques, chromatogrammes, …
  • la prise en compte des interactions et de la structure de corrélation existant entre ces différents paramètres.

L’une des étapes primordiales du développement d’un modèle MSPC est la définition du jeu de calibration : il s’agit de l’identification des observations considérées comme « normales », lorsque le système est stable. Ces observations appelées NOC – Normal Operating Conditions, sont utilisées pour la construction d’un modèle ACP (Analyse en Composantes Principales). Après optimisation du choix des composantes, les observations d’un jeu de test sont projetées dans le modèle MSPC ainsi construit. Grâce à la détermination des observations NOC et aux critères statistiques, tels que le levier (T² de Hotelling) et les résidus F, le modèle MSPC permet d’identifier les dérives du procédé ou l’apparition des évènements anormaux.

La mise en œuvre de la MSPC pour le suivi d’un procédé de fabrication de polymères silicones au sein de la société Elkem a permis de détecter efficacement les différentes phases de production d’un lot – début, fin, et éventuelles interruptions – moments pendant lesquels le procédé n’est pas stable. Les lots ne respectant les spécifications du produit en termes de critère qualité sont également détectés, permettant ainsi une correction rapide du procédé.

  Comparaison des SVM (Support Vector Machines) et de la PLS sur jeux de données spectrales

Les Support Vector Machines (SVM) font partie des méthodes supervisées de Machine Learning. Cet algorithme a été développé à l’origine pour des problématiques de classification (pattern recognition), notamment pour discriminer des classes convexes ou peu séparables. Mais il est également très efficace lorsqu’il est utilisé à des fins de prédiction quantitative.

Cette technique de modélisation est particulièrement intéressante pour modéliser des relations non-linéaires entre les données ou pour des situations compliquées (paramètre complexe ou concentrations proche du seuil de détection par exemple).

Afin de mettre en œuvre la méthode, plusieurs paramètres doivent être optimisés : un paramètre de régularisation, la taille de la marge et le degré de non-linéarité du modèle.

La modélisation de plusieurs paramètres quantitatifs sur un jeu de données spectroscopiques à l’aide de SVM a permis d’obtenir des résultats significativement supérieurs à ceux d’une PLS (erreur divisée par 2).

Cette méthode de Machine Learning a apporté une amélioration importante de performances en raison des non-linéarités présentes dans le jeu de données (prédiction de l’humidité, taux de protéines et matières grasses dans la viande par spectroscopie proche infrarouge).

Ce projet a aussi montré que, même avec un lot d’apprentissage assez réduit, les SVM pouvaient fournir des prédictions précises et robustes sur un lot de test indépendant.

PLS vs SVM

 Modélisation du potentiel aromatique des raisins

L’institut français de la vigne et du vin (IFV), toujours en recherche d’amélioration des procédés de vinification, de la récolte à la mise en bouteille, met régulièrement en place différents projets en partenariat notamment avec Vinovalie, un regroupement de caves du Sud-Ouest.

L’une de leurs problématiques majeures consiste en l’identification du potentiel aromatique des raisins à partir de spectroscopie infrarouge (IRTF), afin d’orienter les moûts vers le procédé de vinification le plus adapté.

Des outils d’aide à la décision permettant d’orienter vers un itinéraire de vinification optimisé des raisins et gagner ainsi en productivité et en qualité du vin fini ont été développés au cours de ce projet et ont permis pour les vins rosés de Négrette (AOP Fronton Rosé) d’obtenir les résultats suivants :

  • + 10% de productivité
  • + 18% de vins à forte qualité aromatique
  • + 15% d’augmentation du prix du fait de la qualité aromatique accrue

Mise à jour de modèles avec la méthode d’orthogonalisation DOP

Dans le cadre du suivi en ligne de ses procédés de polymérisation, le CERDATO, centre de recherche d’ARKEMA, a rencontré des problématiques dans la mise à jour de ses calibrations spectroscopiques. Après plusieurs tentatives classiques, par ajout de nouveaux échantillons, leur problématique persistait.

Ils ont fait appel à Ondalys pour les former et les accompagner à l’utilisation de différentes méthodes d’orthogonalisation, notamment à la méthode Dynamic Orthogonal Projection (DOP).

Le modèle corrigé par DOP a obtenu de meilleurs résultats que ceux développés avec des méthodes classiques, tout en permettant de diagnostiquer les problèmes survenus sur la ligne de production.

suivi en ligne de procédés de polymérisation

Identification de Matières Premières par Spectroscopie Proche Infrarouge (SPIR)

Afin de gagner en temps et en efficacité pour la caractérisation de ses produits, un de nos clients souhaitait mettre en place une méthode d’identification de ses Matières Premières (poudres et liquides) à l’aide d’un spectromètre proche infrarouge.

Cet acteur important de l’industrie pharmaceutique a fait appel à Ondalys pour développer des modèles robustes d’identification, utilisables de manière systématique sur les lots entrants de Matières Premières.

Plus de 100 Matières Premières  différentes (poudres et liquides) sont désormais caractérisées à leur arrivée grâce à la spectroscopie proche infrarouge et aux modèles d’identification développés par Ondalys.

Identification de Matières Premières par Spectroscopie

Modélisation pour le suivi de maturité des fruits

Le B.I.P. (Bureau national Interprofessionnel du Pruneau) souhaitait développer un outil d’aide à la décision non destructif, applicable directement au verger afin de mieux estimer la maturité des fruits pour prévoir la date de récolte optimale des prunes.

A partir de larges bases de données (plus de 6000 échantillons scannés sur un spectromètre de laboratoire), Ondalys a développé des modèles de prédiction quantitatifs du taux de sucre et de l’acidité des prunes.

Suite à des résultats encourageants, l’étude se poursuit afin de transférer les modèles obtenus sur un spectromètre portable pour pouvoir mesurer les fruits directement au verger.

Etude financée par France AgriMer

Estimation de mâturité des fruits par SPIR

Ils en parlent


« Une connaissance approfondie en Chimiométrie – analyse de données multivariées »

Shane Mc Ardle, Camo Analytics

Ils nous font confiance


Nos prochaines formations


Ondalys, organisme de formation agréé, délivre des formations inter et intra-entreprises professionnelles aux industriels et institutionnels.

Notre expertise au service de l’analyse de vos données

Fort d’une expérience de plus de 15 ans dans l’analyse de données (chimiométrie), en particulier appliquée aux mesures spectroscopiques, analytiques et sensorielles, nos équipes vous accompagnent à chaque étape de vos projets

Besoin d’une formation sur mesure ?

Nos équipes étudient votre demande plus en détails pour vous proposer une formation personnalisée

Inscrivez-vous
à la newsletter Ondalys

Français