Loading

Blog

Recent ActivityRecent Activity

Réduire la variabilité pour améliorer la capacité et la qualité

Tous les procédés de fabrication ont un degré de variabilité.

La façon dont vous gérez la variabilité peut faciliter grandement l’atteinte de vos objectifs - de l’amélioration de la capacité et de la qualité, à la réduction des rebuts et des temps d'arrêt.

La réduction de la variabilité de paramètres clés du procédé vous permet de vous adapter aux contraintes de traitement et aux limites de spécification de votre installation. Il existe de nombreuses façons de réduire la variabilité. J'ai découvert que l'une des solutions les plus efficaces et les plus rentables consistait à utiliser une solution de commande prédictive du modèle (MPC).

MPC rend vos procédés plus stables – et prévisibles – vous pouvez ainsi vous rapprocher systématiquement le plus possible de vos cibles et maintenir un contrôle optimal.

Il existe quatre types d'analyse évolutive :

  1. Descriptive : Qu'est-il arrivé ?
  2. Diagnostic : Pourquoi est-ce arrivé ?
  3. Prédictive : Que va-t-il se passer et quand ?
  4. Prescriptive : Que dois-je faire à ce sujet ?

MPC est un exemple d'analyse prescriptive, correcte pour la perturbation du procédé avant que cela affecte la qualité de votre produit.

Avec MPC, vous construisez un modèle multi-variable défini mathématiquement et basé sur l'état stable et les relations dynamiques. La commande de procédé utilisant le modèle multi-variable est capable de prédire les futures valeurs de procédé et de coordonner les changements de point de consigne pour des performances optimales tout en rejetant les perturbations.

Le résultat est un type de contrôle intrinsèquement proactif dans sa conception (c'est-à-dire qu'il conduit au procédé optimal au lieu de réagir aux phases dynamiques du procédé au fur et à mesure qu'elles se produisent).

L'évolution de la technologie a fait évoluer la réflexion de comment collecter les données à savoir quoi en faire ; par conséquent, certaines entreprises d'analyse se lancent sur cette voie, tandis que d'autres - comme nous – fournissent un niveau d'analyse des données très élevé dans l’atelier de fabrication depuis plus de 20 ans.

Pourquoi l’historique compte

La plupart des entreprises, et en particulier dans l'industrie agroalimentaire, subissent une pression accrue pour réduire les coûts et les rebuts tout en augmentant le rendement. Il est donc important de s’engager sur la voie des données avec un partenaire qui connaît le MPC et les procédés, et qui a une expérience éprouvée non seulement dans l'analyse, mais dans l’analyse pour la fabrication.

Ajouter de la valeur au moyen de la commande prédictive du modèle

MPC, reconnue comme étant l'un des meilleurs moyens de relever les défis de fabrication courants, est omniprésent dans des secteurs comme le pétrole et le gaz. Et il y a une bonne raison à cela : avec MPC, il est assez facile d’obtenir un retour sur investissement rapide et de définir une analyse de rentabilisation.

Les avantages typiques de la commande prédictive du modèle pour l’industrie agroalimentaire incluent :

  • Augmentation de la production jusqu’à 9 %
  • Réduction de l’énergie par unité de produit jusqu’à 9 %
  • Réduction des produits hors spécifications jusqu’à 75 %
  • Amélioration du rendement jusqu’à 1 %
  • Réduction de la variabilité de la qualité jusqu’à 60 %

Donc, si vous faites du whisky, vous pouvez obtenir un meilleur rendement avec la même quantité de grain, et avec une plus grande uniformité. Si vous faites des frites, vous pouvez augmenter la capacité des actifs existants tout en produisant un produit avec une qualité plus constante.

En fin de compte, c'est ce que tout le monde veut - un produit de qualité constante pour les consommateurs et un processus rentable prévisible pour la fabrication.


Kirk Aubertine
Kirk Aubertine
Technical Consultant, Rockwell Automation
Kirk Aubertine
Subscribe

Subscribe to Rockwell Automation and receive the latest news, thought leadership and information directly to your inbox.

Recommandé pour vous