Program for North American Mobility in Higher Education (NAMP)

Créé àCréé àL'École Polytechnique de L'École Polytechnique de

Montréal et Montréal et Universidad de GuanajuatoUniversidad de Guanajuato

PIECEPIECEProgram for North American Mobility In Higher EducationProgram for North American Mobility In Higher Education

Rev:2.2Rev:2.2

Program for North American Mobility Program for North American Mobility in Higher Education (NAMP)in Higher Education (NAMP)

Introducing Process Integration for Introducing Process Integration for Environmental Control in Engineering Environmental Control in Engineering

Curricula (PIECE)Curricula (PIECE)

Module 8: Introduction à Module 8: Introduction à l’Intégration des Procédés – l’Intégration des Procédés –

Niveau 2Niveau 2

2

PIECENAMP

Module 8: Introduction à l'Intégration des Procédés

Résumé du projet

Objectifs Objectifs Créer des modules d’application via internet pour aider Créer des modules d’application via internet pour aider les universités à présenter l’introduction de l’Intégration les universités à présenter l’introduction de l’Intégration des Procédés dans les programmes d’études en des Procédés dans les programmes d’études en ingénierieingénierieRendre ces modules largement disponibles dans chacun Rendre ces modules largement disponibles dans chacun des pays participantsdes pays participants

Institutions participantesInstitutions participantes

Deux universités dans chacun des trois pays (Canada, Deux universités dans chacun des trois pays (Canada, Mexique et États-Unis)Mexique et États-Unis)Deux instituts de recherche dans différents secteurs de Deux instituts de recherche dans différents secteurs de l’industrie: pétrole (Mexique), pâtes et papiers (Canada)l’industrie: pétrole (Mexique), pâtes et papiers (Canada)Chacune des six universités a parrainé 7 échanges Chacune des six universités a parrainé 7 échanges d’étudiants durant la période de la bourse, d’étudiants durant la période de la bourse, subventionnée en partie par le gouvernement des 3 subventionnée en partie par le gouvernement des 3 pays.pays.

3

PIECENAMP


Quelle est la structure de ce module ?Quelle est la structure de ce module ?

Tous les modules sont divisés en 3 niveaux, chacun ayant un Tous les modules sont divisés en 3 niveaux, chacun ayant un but spécifique:but spécifique:

Niveau 1: Information préliminaireNiveau 1: Information préliminaireNiveau 2: Application avec des études de casNiveau 2: Application avec des études de casNiveau 3: Problèmes avec structure de réponse ouverteNiveau 3: Problèmes avec structure de réponse ouverte

Ces niveaux doivent être complétés dans cet ordre Ces niveaux doivent être complétés dans cet ordre spécifique. Les étudiants seront questionnés à différents spécifique. Les étudiants seront questionnés à différents moments pour mesurer leur degré de compréhension, avant moments pour mesurer leur degré de compréhension, avant de passer au niveau suivant.de passer au niveau suivant.

Chaque niveau comprend un énoncé d’intention au début et Chaque niveau comprend un énoncé d’intention au début et un quiz à la fin des Niveaux 1 et 2.un quiz à la fin des Niveaux 1 et 2.

Structure du Module 8

4

PIECENAMP


Quel est le but de ce module ?Quel est le but de ce module ?

Le but de ce module est de couvrir les aspects de base des Le but de ce module est de couvrir les aspects de base des méthodes et outils de l’Intégration des Procédésméthodes et outils de l’Intégration des Procédés, et , et de situer de situer l’Intégration des Procédésl’Intégration des Procédés dans une dans une perspective plus vaste. Cette étape a été identifiée comme perspective plus vaste. Cette étape a été identifiée comme pré-requis pour les autres modules en relation avec pré-requis pour les autres modules en relation avec l’apprentissage de l’apprentissage de l’Intégration des Procédés. l’Intégration des Procédés.

But du Module 8

5

PIECENAMP


Niveau 2 Exemples solutionnés

6

PIECENAMP


Niveau 2: Objectifs

Niveau 2: Énoncé d’intentionNiveau 2: Énoncé d’intention

Le but de ce niveau est de démontrer des concepts et Le but de ce niveau est de démontrer des concepts et outils variés de l’Intégration des Procédés en utilisant des outils variés de l’Intégration des Procédés en utilisant des exemples réels. Trois exemples seront donnés, se exemples réels. Trois exemples seront donnés, se concentrant principalement sur trois outils de l’Intégration concentrant principalement sur trois outils de l’Intégration des Procédés. À la fin du Niveau 2, l’étudiant devrait avoir des Procédés. À la fin du Niveau 2, l’étudiant devrait avoir une idée générale de ce qu’est:une idée générale de ce qu’est:

Modélisation guidée par les données – Analyse Modélisation guidée par les données – Analyse multivariable multivariable

Analyse thermique du point d’invarianceAnalyse thermique du point d’invariance

Contrôle et conception des procédés intégrés – Contrôle et conception des procédés intégrés – Analyse de commandabilitéAnalyse de commandabilité

7

PIECENAMP


Le Niveau 2 est divisé en trois sectionsLe Niveau 2 est divisé en trois sections

2.1 Exemple solutionné, utilisant la modélisation guidée 2.1 Exemple solutionné, utilisant la modélisation guidée par les données, plus spécifiquement l’analyse par les données, plus spécifiquement l’analyse multivariablemultivariable

2.2 Exemple solutionné, utilisant l’analyse thermique du 2.2 Exemple solutionné, utilisant l’analyse thermique du point d’invariancepoint d’invariance

2.3 Exemple solutionné, utilisant le contrôle et la 2.3 Exemple solutionné, utilisant le contrôle et la conception des procédés intégrés, plus spécifiquement conception des procédés intégrés, plus spécifiquement l’analyse de commandabilitél’analyse de commandabilité

Un court quiz à choix multiples suivra à la fin de ce niveau. Un court quiz à choix multiples suivra à la fin de ce niveau.

Niveau 2 : Contenu

8

PIECENAMP


2.1 Exemple solutionné 1: Modélisation guidée 2.1 Exemple solutionné 1: Modélisation guidée par les données – Analyse multivariablepar les données – Analyse multivariable

2.2 Exemple solutionné 2: Analyse thermique du 2.2 Exemple solutionné 2: Analyse thermique du point d’invariancepoint d’invariance

2.3 Exemple solutionné 3 2.3 Exemple solutionné 3 : Contrôle et : Contrôle et conception des procédés intégrés – Analyse de conception des procédés intégrés – Analyse de commandabilitécommandabilité

Plan

9

PIECENAMP


Exemple solutionné 1: Modélisation guidée par les

données – Analyse multivariable

10

PIECENAMP


2.1 Exemple solutionné 1: Modélisation guidée par les données – Analyse multivariable – Rappel

TmtTmt X1X1 X4X4 X5X5 RepRep Y avecY avec Y sansY sans

11 -1-1 -1-1 -1-1 11 2.512.51 2.742.74

11 -1-1 -1-1 -1-1 22 2.362.36 3.223.22

11 -1-1 -1-1 -1-1 33 2.452.45 2.562.56

22 -1-1 00 11 11 2.632.63 3.233.23

22 -1-1 00 11 22 2.552.55 2.472.47

22 -1-1 00 11 33 2.652.65 2.312.31

33 -1-1 11 00 11 2.452.45 2.672.67

33 -1-1 11 00 22 2.62.6 2.452.45

33 -1-1 11 00 33 2.532.53 2.982.98

44 00 -1-1 11 11 3.023.02 3.223.22

44 00 -1-1 11 22 2.72.7 2.572.57

44 00 -1-1 11 33 2.972.97 2.632.63

55 00 00 00 11 2.892.89 3.163.16

55 00 00 00 22 2.562.56 3.323.32

55 00 00 00 33 2.522.52 3.263.26

66 00 11 -1-1 11 2.442.44 3.13.1

66 00 11 -1-1 22 2.222.22 2.972.97

66 00 11 -1-1 33 2.272.27 2.922.92

Représentation graphique de Représentation graphique de MVAMVA

Données Données brutes: brutes:

impossibles impossibles à interpréterà interpréter

Modèle statistiqueModèle statistique(interne (interne

auaulogiciel)logiciel)

Éléments de sortie 2-DÉléments de sortie 2-D

variations

variations

variations

Y

XX

X

X

milliers de rangées

centaines de colonnes

..

. ...

. . .

.

. .

11

PIECENAMP


On considère que l’étudiant est familier avec les concepts statistiques On considère que l’étudiant est familier avec les concepts statistiques de base suivants: moyenne, médiane, mode; déviation standard, de base suivants: moyenne, médiane, mode; déviation standard, variance; normalité, symétrie; degré d’association, coefficients de variance; normalité, symétrie; degré d’association, coefficients de corrélation; Rcorrélation; R22, Q, Q22, F-test; importance des différences, t-test, Khi-carré; , F-test; importance des différences, t-test, Khi-carré; valeurs et vecteurs propresvaleurs et vecteurs propres

Les tests statistiques aident à caractériser un ensemble de données Les tests statistiques aident à caractériser un ensemble de données existantes. Ils NE vous permettent PAS de faire des prédictions à propos existantes. Ils NE vous permettent PAS de faire des prédictions à propos de données futures. Pour cela nous devons nous référer aux de données futures. Pour cela nous devons nous référer aux techniques techniques de régressionde régression……

2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable

Statistiques de baseStatistiques de base

RégressionRégressionPrendre un ensemble de points de données, chacun étant décrit par Prendre un ensemble de points de données, chacun étant décrit par un vecteur de valeurs (y, xun vecteur de valeurs (y, x11, x, x22, … x, … xnn))

Trouver une équation algébrique qui “exprime le mieux” la relation Trouver une équation algébrique qui “exprime le mieux” la relation entre y et les xentre y et les xii's:'s:

Y =Y = bb11xx11 + b + b22xx22 + … + b + … + bnnxxnn + e + e

Exigences des données:Exigences des données: données normalisées, erreurs normalement données normalisées, erreurs normalement réparties avec une moyenne nulle et des variables indépendantes non réparties avec une moyenne nulle et des variables indépendantes non corréléescorrélées

12

PIECENAMP


160

180

200

220

240

150 160 170 180 190 200 210 220 230 240

YO

bser

vé

YPrévisible

MODÈLE IDÉALMODÈLE IDÉAL

Figure 1

2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable (MVA: Multivariate Analysis)

Types de MVATypes de MVA1.1. Analyse des principales composantes (PCA)Analyse des principales composantes (PCA)

Seulement les X’sSeulement les X’sDans l'analyse des principales composantes, nous Dans l'analyse des principales composantes, nous maximisons la maximisons la variancevariance expliquée par le modèle expliquée par le modèle

2.2. Projection pour les structures latentes (PLS)Projection pour les structures latentes (PLS)Aussi appelée “Moindres carrés partiels”Aussi appelée “Moindres carrés partiels”X’s et Y’sX’s et Y’sDans la projection pour les structures latentes, nous Dans la projection pour les structures latentes, nous maximisons la maximisons la covariancecovariance

X Y

X

Le logiciel MVA génère deux types de données de sortie: Le logiciel MVA génère deux types de données de sortie: résultats et diagnostiquesrésultats et diagnostiques

Résultats: diagrammes des cotes, Résultats: diagrammes des cotes,

diagrammes des chargesdiagrammes des charges

Diagnostiques: graphique des résidus, Diagnostiques: graphique des résidus,

observé vs. prédit et plusieurs autresobservé vs. prédit et plusieurs autres

Types de données de sortie Types de données de sortie MVAMVA

Q1Q1 Q2Q2

13

PIECENAMP


2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable – (PCA: Principal Component Analysis)

Considérez ces poissons. Considérez ces poissons. Nous pourrions mesurer, Nous pourrions mesurer, pour chaque poisson, sa pour chaque poisson, sa longueur et sa largeur.longueur et sa largeur.

En supposant que 50 poissons ont En supposant que 50 poissons ont été mesurés, un graphique été mesurés, un graphique ressemblant à celui montré à la ressemblant à celui montré à la figure 2 pourrait être obtenu. Il y a figure 2 pourrait être obtenu. Il y a une relation évidente entre la une relation évidente entre la longueur et la largeur, plus le longueur et la largeur, plus le poisson est long, plus il est large.poisson est long, plus il est large.

Reference: Manchester Metropolitan University

Élément principal de l’analyse PCAÉlément principal de l’analyse PCA

Figure 2

14

PIECENAMP


2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable – PCA

Déplacer les axes pour que leur point d'origine soit maintenant centré sur le nuage de Déplacer les axes pour que leur point d'origine soit maintenant centré sur le nuage de pointspoints : c'est un changement dans l'échelle de mesure. Dans ce cas les moyennes : c'est un changement dans l'échelle de mesure. Dans ce cas les moyennes pertinentes ont été soustraites de chaque valeur.pertinentes ont été soustraites de chaque valeur.

En fait, l'axe majeur est une nouvelle variable, la taille. Dans son expression la plus En fait, l'axe majeur est une nouvelle variable, la taille. Dans son expression la plus simplesimple, , taille = longueur + largeurtaille = longueur + largeur combinaison linéaire de deux variables existantes, auxquelles on a donné un poids combinaison linéaire de deux variables existantes, auxquelles on a donné un poids égalégal

Supposons que nous considérons la longueur plus importante que la largeur dans la Supposons que nous considérons la longueur plus importante que la largeur dans la détermination de la taille. Dans ce cas nous pourrions utiliser les poids ou les coefficients détermination de la taille. Dans ce cas nous pourrions utiliser les poids ou les coefficients pour introduire les contributions différentielles:pour introduire les contributions différentielles: taille = 0.75 x longueur + 0.25 x largeurtaille = 0.75 x longueur + 0.25 x largeur

Par commodité, nous devrions normalement tracerPar commodité, nous devrions normalement tracer le graphiquele graphique avec l'axe X avec l'axe X horizontal, ce qui donnerait l'apparence d'une rotation des points plutôt que des horizontal, ce qui donnerait l'apparence d'une rotation des points plutôt que des axes.axes.

Figure 3

Figure 5

Figure 4


15

PIECENAMP


2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariable – PCA

Un critère pour le second axe est qu'il devrait tenir compte autant que Un critère pour le second axe est qu'il devrait tenir compte autant que possible de la variation restantepossible de la variation restante. Cependant, il devrait également être . Cependant, il devrait également être non corrélé (orthogonal) avec le premier. non corrélé (orthogonal) avec le premier.

Dans cet exemple, les longueurs et les orientations de ces axes Dans cet exemple, les longueurs et les orientations de ces axes sont données par les valeurs propres et les vecteurs propres de la sont données par les valeurs propres et les vecteurs propres de la matrice de corrélation. Si nous retenions seulement la variable 'taille', matrice de corrélation. Si nous retenions seulement la variable 'taille', nous retiendrions 1.75/2.00 x 100 (87.5%) de la variante originale. nous retiendrions 1.75/2.00 x 100 (87.5%) de la variante originale. Par conséquent, si nous supprimions le second axe nous perdrions Par conséquent, si nous supprimions le second axe nous perdrions 12.5% de l'information originale.12.5% de l'information originale.

Figure 6 Figure 7


16

PIECENAMP



Projection pour les structures latentes (PLS)Projection pour les structures latentes (PLS)La projection pour les structures latentes (PLS) amène un La projection pour les structures latentes (PLS) amène un ensemble de composantes orthogonales qui :ensemble de composantes orthogonales qui :

maximise le niveau d'explications maximise le niveau d'explications à la foisà la fois de X et Y de X et Y

fournit une équation prévisible pour Y en termes des X'sfournit une équation prévisible pour Y en termes des X's

Ceci est accompli en:Ceci est accompli en:

fixant un ensemble de composantes à X (comme dans PCA)fixant un ensemble de composantes à X (comme dans PCA)

fixant de la même façon un ensemble de composantes à Yfixant de la même façon un ensemble de composantes à Y

réconciliant les deux ensembles de composantes pour réconciliant les deux ensembles de composantes pour maximiser l'explication de X et Ymaximiser l'explication de X et Y

L’interprétation des résultats de PLS a toutes les mêmes L’interprétation des résultats de PLS a toutes les mêmes difficultés que celle de PCA, plus une autre: donner un sens difficultés que celle de PCA, plus une autre: donner un sens aux composantes individuelles à la fois dans les espaces X et aux composantes individuelles à la fois dans les espaces X et Y. En d’autres mots, pour que les résultats aient du sens, la Y. En d’autres mots, pour que les résultats aient du sens, la première composante en X doit être première composante en X doit être reliée d’une façon reliée d’une façon quelconque quelconque à la première composante en Yà la première composante en Y

17

PIECENAMP



Jetons un coup d’œil à un moulin à papier journal typique, à pâte Jetons un coup d’œil à un moulin à papier journal typique, à pâte thermomécanique intégrée (TMP), en Amérique du Nord. Le gérant du thermomécanique intégrée (TMP), en Amérique du Nord. Le gérant du moulin de cette usine reconnaît qu'il y a trop de données à considérer et moulin de cette usine reconnaît qu'il y a trop de données à considérer et qu'il y a un besoin d'évaluer la qualité de leur produit final, c.a.d le qu'il y a un besoin d'évaluer la qualité de leur produit final, c.a.d le papier. Il décide d'utiliser l'analyse multivariable pour obtenir autant papier. Il décide d'utiliser l'analyse multivariable pour obtenir autant d'informations que possible à partir de l'ensemble des données et pour d'informations que possible à partir de l'ensemble des données et pour essayer de déterminer les variables les plus importantes qui pourraient essayer de déterminer les variables les plus importantes qui pourraient avoir un impact sur la qualité du papier, pour pouvoir classer la qualité avoir un impact sur la qualité du papier, pour pouvoir classer la qualité du produit final. Le gérant du moulin décide de regarder d'abord la du produit final. Le gérant du moulin décide de regarder d'abord la portion raffinage du procédé de mise en pâte.portion raffinage du procédé de mise en pâte.

Énoncé du problèmeÉnoncé du problème

Figure 8

18

PIECENAMP



Variables X et Y Variables X et Y

Variables YVariables Y

Les données sur la Les données sur la qualité de la pâte qualité de la pâte après le cuvier de après le cuvier de latence (automatisé, latence (automatisé, analyse en ligne des analyse en ligne des échantillons saisis): échantillons saisis): les paramètres les paramètres standards de standards de l'industrie incluant la l'industrie incluant la distribution de la distribution de la longueur des fibres, longueur des fibres, l'égouttage, la l'égouttage, la consistance et le consistance et le degré de blancheurdegré de blancheur

Variables XVariables X

Copeaux entrants: Copeaux entrants: distribution de la taille, distribution de la taille, densité en vrac, humiditédensité en vrac, humidité

Données opérationnelles Données opérationnelles du raffineur: débit; du raffineur: débit; répartition de l'énergie répartition de l'énergie entre les raffineurs primaire entre les raffineurs primaire et secondaire; taux de et secondaire; taux de dilution; niveaux, pressions dilution; niveaux, pressions et températures dans les et températures dans les différentes unités reliées différentes unités reliées directement aux raffineurs; directement aux raffineurs; voltage des convoyeurs à voltage des convoyeurs à vis pour copeaux; vis pour copeaux; température du corps du température du corps du raffineur raffineur

La saison, représentée La saison, représentée par la température par la température moyenne mensuelle moyenne mensuelle mesurée à une station mesurée à une station météorologique avoisinantemétéorologique avoisinante

Y

X’s

Figure 9

19

PIECENAMP



Ceci est la représentation graphique de R2 et Q2 pour le modèle. Les valeurs de R2 nous disent que la première composante explique 32% de la variabilité des données initiales, la seconde un autre 7% et la troisième un autre 6%.

Les valeurs de Q2 sont plus basses. Ceci signifie que la puissance prévisible du modèle est d'environ 40% en utilisant les trois composantes. Ceci peut sembler bas, mais normal pour les données réelles du procédé.

0.00

0.20

0.40

0.60

0.80

1.00

Com

p[1]

Com

p[2]

Com

p[3]

Comp No.

32-months version 2.M2 (PCA-X), Extreme outliers removed R2X(cum)Q2(cum)

Figure 10

RésultatsRésultats 34-months of 1 day rev. 2 (incl. chip data) no. 2.M4 (PCA-X), Bad residuals removedt[1]/t[2]/t[3]Colored according to classes in M4

No ClassClass 1Class 2Class 3Class 4

Automne Hiver Printemps Été

Automne Hiver Printemps Été

2000

2001

2002 Figure 11

20

PIECENAMP



AutomneHiver Printemps Été

AutomneHiver Printemps Été

-5

0

5

-10 0 10 20

t[2]

t[1]

34-months of 1 day rev. 2 (incl. chip data) no. 2.M4 (PCA-X), Untitledt[1]/t[2]Colored according to classes in M4

No ClassClass 1Class 2Class 3Class 4

Figure 12

La Variation dans La Variation dans cette direction cette direction

semble se produire semble se produire ENTRE les saisons ENTRE les saisons (( Composante 2) Composante 2)

La Variation dans La Variation dans cette direction cette direction

semble se produire semble se produire ENTRE les saisons ENTRE les saisons (( Composante 2) Composante 2)

La variation dans La variation dans cette direction cette direction

semble se produire semble se produire À L'INTÉRIEUR À L'INTÉRIEUR d'une saison d'une saison

donnéedonnée(( Composante 1) Composante 1)

La variation dans La variation dans cette direction cette direction

semble se produire semble se produire À L'INTÉRIEUR À L'INTÉRIEUR d'une saison d'une saison

donnéedonnée(( Composante 1) Composante 1)

Interprétation des résultats – Diagramme des cotesInterprétation des résultats – Diagramme des cotes

21

PIECENAMP



Interprétation des résultats – Diagramme des Interprétation des résultats – Diagramme des chargescharges

-0.20

-0.10

0.00

0.10

0.20

-0.20 -0.10 0.00 0.10

p[2

]

p[1]

34-months of 1 day rev. 2 (incl. chip data) no. 2.M4 (PCA-X), Bad residuals removedp[1]/p[2]

X

SEASON

33LI214.AI52FFC117.PV52FFC166.PV

52FIC104.PV52FIC115.PV

52FIC116.PV 52FIC154.PV

52FIC164.PV

52FIC165.PV

52FIC167.PV

52FIC177.PV

52HIC812.PV

52IIC128.PV

52IIC178.PV

52JCC139.PV

52JI189.AI

52JIC139.AI

52LIC106.PV

52PCA111.PV52PCA161.PV

52PCB111.PV

52PCB161.PV

52PIC105.PV52PIC159.PV

52PIC705.PV52PIC961.PV

52SIC110.PV

52SQI110.AI

52TI011.AI52TI031.AI

52TI118.AI52TI168.AI

52TIC010.CO52TIC793.PV

52XAI130.AI52XIC130.AI52XIC180.AI52XPI130.AI

52XQI195.AI

52ZIC147.PV

52ZIC148.PV52ZIC197.PV

52ZIC198.PV

53AI034.AI

53AI054.AI

53FFC455.PV

53FI012.AI

53HIC762.PV

53LIC011.PV

53LIC301.PV

53NI716.AI53NIC013.PV

53PIC210.PV

53PIC305.PV

53PIC308.PV

53PIC309.PV

53WI012.AI

Pex_L1_Blan

Pex_L1_Cons

Pex_L1_CSF

Pex_L1_LMF

Pex_L1_P200

Pex_L1_PFCPex_L1_PFLPex_L1_PFM

Pex_L1_R100

Pex_L1_R14

Pex_L1_R28Pex_L1_R48

53LIC510.PV

52FR960.AI52FRA703.AI

52KQC139.AI52KQC189.AI

52PI128.AI52PI178.AI

52PI706.AI

52PIA143.AI

52PIA193.AI

52PIB143.AI

52PIB193.AI

52PIP143.AI

52PIP193.AI

52SI055.AI52SIA110.AI52TIC102.PV

52TIC711.PV

52TR964.AI52XIC811.PV

52X_130.AI_split_L1.

52ZI144.AI

52ZI194.AI

53AIC453.PV

53LR405.AI53LV301.AI

53NIC100.PV811FI102.AI

811FI104.AI85FQ101.AI

85LCB320.AI

85LCS320.AI

CopDENS

CopSICC

Cop>9/8

Cop>7/8

Cop>5/8

Cop>3/8Cop>3/16

Cop<3/16

CopECORCopCARCopECLA

Débit de la pâteDébit de la pâteÉnergie de raffinageÉnergie de raffinageÉcoulements de la dilutionÉcoulements de la dilutionFormation de vapeurFormation de vapeur

Débit de la pâteDébit de la pâteÉnergie de raffinageÉnergie de raffinageÉcoulements de la dilutionÉcoulements de la dilutionFormation de vapeurFormation de vapeur

Degré de blancheur de la pâteDegré de blancheur de la pâteSaisonSaison

Degré de blancheur de la pâteDegré de blancheur de la pâteSaisonSaison

Consommation d’agent de blanchimentConsommation d’agent de blanchimentConsommation d’agent de blanchimentConsommation d’agent de blanchiment

Figure 13

22

PIECENAMP


2.1 Exemple solutionné 1: Modélisation guidée par les données - Analyse multivariableInterprétation des résultatsInterprétation des résultatsPremière composantePremière composante

La première composante correspond au débit: plusieurs variables du procédé sont La première composante correspond au débit: plusieurs variables du procédé sont reliées directement ou indirectement au débit. Vous souvenez-vous que nous avons dit reliées directement ou indirectement au débit. Vous souvenez-vous que nous avons dit que la première composante était quelque chose qui variait à l’intérieur d’une même que la première composante était quelque chose qui variait à l’intérieur d’une même saison? saison?

Deuxième composanteDeuxième composante

La deuxième composante La deuxième composante explique seulement 7%explique seulement 7% de la variabilité totale. Elle est de la variabilité totale. Elle est cependant « plus confuse » que la première composante, et elle sera moins facile à cependant « plus confuse » que la première composante, et elle sera moins facile à interpréter. Il est aussi possible d'observer que les interpréter. Il est aussi possible d'observer que les trois années étaient séparées trois années étaient séparées pour ce pour ce qui est de cette deuxième composantequi est de cette deuxième composante

Un indice majeur apparaît dans la prédominance des deux volets importants et reliés: Un indice majeur apparaît dans la prédominance des deux volets importants et reliés: consommation d'agent de blanchimentconsommation d'agent de blanchiment et et degré de blancheur de la pâte.degré de blancheur de la pâte. Ceci Ceci suggèrerait que peut-être le degré de blancheur des copeaux de bois entrants était suggèrerait que peut-être le degré de blancheur des copeaux de bois entrants était différent d'une année à l'autre, demandant plus de blanchiment pour obtenir une pâte différent d'une année à l'autre, demandant plus de blanchiment pour obtenir une pâte moins blanchemoins blanche

Remarquez aussi que “la saison” est prédominante. Ceci peut être observé avec la Remarquez aussi que “la saison” est prédominante. Ceci peut être observé avec la séparation évidente des saisons sur le diagramme des cotes. Ceci suggère que les séparation évidente des saisons sur le diagramme des cotes. Ceci suggère que les copeaux de l'hiver sont moins brillants que ceux de l'étécopeaux de l'hiver sont moins brillants que ceux de l'été

Troisième composanteTroisième composante

La troisième composante La troisième composante explique seulement 6%explique seulement 6% de la variabilité totale de la variabilité totale

La troisième composante est reliée à la période de l’année. Une interprétation La troisième composante est reliée à la période de l’année. Une interprétation raisonnable pourrait être que les copeaux de l’été diffèrent des copeaux de l’hiver d'une raisonnable pourrait être que les copeaux de l’été diffèrent des copeaux de l’hiver d'une certaine façon certaine façon autre que autre que le degré de blancheurle degré de blancheur,, ce qui a déjà été couvert par la ce qui a déjà été couvert par la deuxième composante. Ceci pourrait être, par exemple, la facilité avec laquelle les fibres deuxième composante. Ceci pourrait être, par exemple, la facilité avec laquelle les fibres de bois peuvent être séparées les unes des autres.de bois peuvent être séparées les unes des autres.

23

PIECENAMP



En utilisant PCA, nous avons déterminé que 45% de la variabilité En utilisant PCA, nous avons déterminé que 45% de la variabilité dans les 130 variables initiales peuvent être représentés en utilisant dans les 130 variables initiales peuvent être représentés en utilisant seulement 3 nouvelles variables ou “composantes”. Ces trois seulement 3 nouvelles variables ou “composantes”. Ces trois composantes sont orthogonales, signifiant que la variation entre composantes sont orthogonales, signifiant que la variation entre chacune se produit indépendamment des autres. En d’autres mots, chacune se produit indépendamment des autres. En d’autres mots, les nouvelles composantes les nouvelles composantes n’ont pas de corrélation n’ont pas de corrélation entre elles.entre elles.

DÉBIT DE RAFFINAGEDÉBIT DE RAFFINAGEComposante 1Composante 1Explique 32%Explique 32%

Composante 2Composante 2Explique 7%Explique 7%

Composante 3Composante 3Explique 6%Explique 6%

DEGRÉ DE

DEGRÉ DE

BLANCHEUR

BLANCHEUR

ÉTÉ/H

IVER

ÉTÉ/H

IVER

Résumé des résultats de PCA Résumé des résultats de PCA

24

PIECENAMP



““Carte de référence” de la qualitéCarte de référence” de la qualité

XX

X

Figure 14

25

PIECENAMP



2.2 Exemple solutionné 2: Analyse thermique du 2.2 Exemple solutionné 2: Analyse thermique du point d’invariancepoint d’invariance

2.3 Exemple solutionné 32.3 Exemple solutionné 3: Contrôle et conception : Contrôle et conception des procédés intégrés – Analyse de des procédés intégrés – Analyse de commandabilitécommandabilité

Plan

26

PIECENAMP


Exemple solutionné 2: Analyse thermique du point

d’invariance

27

PIECENAMP


PROCÉDÉPROCÉDÉ

UnitéUnitéFROIDFROID

EE

UnitéUnitéCHAUDCHAUD

EE

2.2 Exemple solutionné 2: Analyse thermique du point d’invariance - Rappel

Utilisation Utilisation des des

servicesservices

Échanges Échanges internesinternes

Coûts des Coûts des services services chutentchutent

Coûts en Coûts en rapport avec le rapport avec le domaine des domaine des

échanges échanges grimpentgrimpent

De 100% services...De 100% services...... à 100% échanges ... à 100% échanges internesinternes

$$

CompromisCompromisCompromisCompromis

Qu'est-ce que l'analyse thermique du point Qu'est-ce que l'analyse thermique du point d'invariance?d'invariance?

28

PIECENAMP


Exemple: chaudière de Exemple: chaudière de récupérationrécupération

Solution évidente: Solution évidente: préchauffer l'eau fraîche préchauffer l'eau fraîche qui entre, avec le qui entre, avec le condensé chaud qui sort condensé chaud qui sort de la chaudièrede la chaudière

2.2 Exemple solutionné 2: Analyse thermique du point d’invariance

Figure 15

Au moins 40 jets de chaud à frais…

Qu'arrive-t-il ave un site entier ?Qu'arrive-t-il avec le site entier?

Au moins 40 courants pour chauffer et refroidir…

29

PIECENAMP


SimulationSimulation

ExtractionExtraction

UsineUsine

Choix des objectifsChoix des objectifs

Conception d’un Conception d’un réseau d’échangeurs réseau d’échangeurs

de chaleurde chaleur

Extraction des Extraction des données (courants données (courants chauds et froids) chauds et froids) gardant à l’esprit, gardant à l’esprit,

les objectifs les objectifs spécifiques spécifiques

d’économies d’économies d’énergied’énergie

Analyse Analyse choix des choix des

objectifs, i.e. objectifs, i.e. énergie, énergie,

conception et conception et objectifs objectifs

économiqueséconomiquesUtilisation de Utilisation de

l’heuristique pour l’heuristique pour concevoir un réseau concevoir un réseau

d’échangeurs de d’échangeurs de chaleur qui chaleur qui

atteindra les atteindra les objectifs objectifs

d’économie d’économie d’énergie à moindre d’énergie à moindre

coûtcoût

Transfert des Transfert des résultats résultats

obtenus à la obtenus à la réalité de réalité de

l’usinel’usine


TminTmin

30

PIECENAMP


Courb

e co

mpos

ite

Courb

e co

mpos

ite

froi

de

froi

de

Cour

be c

ompo

site

Cour

be c

ompo

site

chau

de

chau

deTminTmin

Exigence de chauffageExigence de chauffage

Exigence de refroidissementExigence de refroidissement

PointPointd'invarianced'invariance

2.2 Exemple solutionné 2: Analyse thermique du point d’invariance Courbes compositesCourbes composites

TempératureTempérature

EnthalpieEnthalpie

Figure 16

31

PIECENAMP



Intégration de masse – Courbes composites pour la Intégration de masse – Courbes composites pour la prévention de la pollutionprévention de la pollution

Figure 17Figure 18

32

PIECENAMP



Énoncé du problèmeÉnoncé du problèmeDans une firme de consultants, un ingénieur de procédés est engagé par Dans une firme de consultants, un ingénieur de procédés est engagé par une raffinerie de pétrole pour concevoir les unités conventionnelles une raffinerie de pétrole pour concevoir les unités conventionnelles atmosphériques de fractionnement du brut, comme illustré à la figure 19. atmosphériques de fractionnement du brut, comme illustré à la figure 19. L'objectif principal de ce projet est de minimiser la consommation L'objectif principal de ce projet est de minimiser la consommation d'énergie en utilisant l'analyse thermique du point d'invariance. L'usine d'énergie en utilisant l'analyse thermique du point d'invariance. L'usine utilise présentement 75000 kW en services de chauffage. Dans cet utilise présentement 75000 kW en services de chauffage. Dans cet exemple, l'emphase sera mise sur la construction des courbes composites exemple, l'emphase sera mise sur la construction des courbes composites avec l'objectif d'identifier les opportunités d'économies d'énergie. avec l'objectif d'identifier les opportunités d'économies d'énergie.

Fournaise

Dessaleur

Colonne pour pétrole brut

Naphtha-PA

Kerosene

L-

H-gasoil

ATB

Pétrole brut E1

E2E3

E4

E5 E6

E71 2

5

6

7 8

92

10

11

13 14

15 16

BPA12

Naphtha-PA

Kérosène

H-

ATB

E1

E2E3

E4

E5 E6

E71 2 3 4

5

6

7 8

9 10

11

13 14

15 16

BPA12

Figure 19

gasoil

33

PIECENAMP


3-5ºC3-5ºCLow-temperature Low-temperature processesprocesses

10-20ºC10-20ºCChemicalChemical

10-20ºC10-20ºCPetrochemicalPetrochemical

30-40ºC30-40ºCOil RefiningOil Refining

minminIndustrial SectorIndustrial Sector

Tableau 2


DesalterDesalter

Colonne Colonne pétrole brutpétrole brut

Naphtha-PANaphtha-PA

KeroseneKerosene

L-gasoilL-gasoil

H-gasoilH-gasoil

ATBATB

AlimentationAlimentationbrutebrute

20º20º

BPBPAA

150º150º 150º150º 390º390º

150º150º

100º100º

180º180º 30º30º

40º40º

30º30º

50º50º

270º270º

290º290º

190º190º

350º350º

380º380º

11 22

33

66

44

55

88

77Crude Pre-heat train Crude Pre-heat train

º ºC Conditionº ºC Condition

Stream NumberStream Number

Figure 20

Process Heat Mass Heat Supply Target Stream Heat* Foulingstream capacity flow capacity temperature Temperature Heat Transfernumber rate flowrate duty coefficientand type (J/kgK) (kg/s) (kW/K) (ºC) (ºC) (kW) (W/m2 K) (m2ºC/W)(1)Cold 2600.00 200.00 520.00 20.00 150.00 67600.00 170.00 0.00147(2)Cold 2600.00 200.00 520.00 150.00 390.00 124800.00 170.00 0.00147(3)Hot 2600.00 253.00 657.80 150.00 100.00 -32890.00 170.00 0.00147(4)Hot 2600.00 23.00 59.80 180.00 30.00 -8970.00 170.00 0.00147(5)Hot 2600.00 44.00 114.40 270.00 40.00 -26312.00 170.00 0.00147(6)Hot 2600.00 148.00 384.80 290.00 190.00 -38480.00 170.00 0.00147(7)Hot 2600.00 13.00 33.80 350.00 30.00 -10816.00 170.00 0.00147(8)Hot 2600.00 56.00 145.60 380.00 50.00 -48048.00 170.00 0.00147* Fouling Factor included

Tableau 1

Extraction des Extraction des donnéesdonnées

34

PIECENAMP


Tableau 3

1. Triez en ordre ascendant les températures de courants chauds, en 1. Triez en ordre ascendant les températures de courants chauds, en omettant les températures communesomettant les températures communes

En utilisant les données ci-haut, nous formons des intervalles de En utilisant les données ci-haut, nous formons des intervalles de températures pour le procédétempératures pour le procédé

T1T1

T2T2

T3T3

T4T4

IntervalleIntervalle

11

22

33

2.2 Exemple solutionné 2: Analyse thermique du point d’invariance – Courbes composites

Les températures sont triées en ordre

ascendant, omettant les températures

communes

TT

HHFigure 21

35

PIECENAMP


Tableau 4

stream interval,

jiCPCP

streamj

streamji

2. Additionnez le CP de chaque courant présent dans chaque intervalle de 2. Additionnez le CP de chaque courant présent dans chaque intervalle de températuretempérature

6.938.338.59741 HH CPCPCP

Nous obtenons alors la composite CP pour chaque intervalle de températureNous obtenons alors la composite CP pour chaque intervalle de température


36

PIECENAMP


Tableau 5

)(* 1 iiii TTCPQ

3. Calculez l’enthalpie nette pour chaque intervalle de 3. Calculez l’enthalpie nette pour chaque intervalle de températuretempérature

kWTTCPQ 936)303313(*6.93)(* 0111

Nous obtenons l’enthalpie pour chaque intervalle de Nous obtenons l’enthalpie pour chaque intervalle de température, comme montré dans la colonne Qtempérature, comme montré dans la colonne Qint,hint,h


37

PIECENAMP


Tableau 6

4. Obtenez l’enthalpie accumulée pour chaque intervalle de 4. Obtenez l’enthalpie accumulée pour chaque intervalle de températuretempérature

iii QSumQSumQ 1

9369360101 QSumQSumQ


38

PIECENAMP


303313323

373

423453463

543563

623653

Courbe composite chaude

300

400

500

600

700

0 50000 100000 150000 200000H (kW)

T (

K)

Figure 22


5. Tracez le graphique des données de température sur l’axe Y vs. 5. Tracez le graphique des données de température sur l’axe Y vs. l’enthalpie accumulée sur l’axe Xl’enthalpie accumulée sur l’axe X

39

PIECENAMP


Courbe composite froide

250

300

350

400

450

500

550

600

650

700

0 50000 100000 150000 200000 250000

H (kW)

T(K

)

Figure 23

293

423

663

La construction de la courbe composite froide est identique à celle de La construction de la courbe composite froide est identique à celle de la courbe composite chaudela courbe composite chaude Tableau 7


40

PIECENAMP


Courbe composite froide

Courbe composite chaude

Cette représentation réduit le procédé entier en un courant combiné de chaud et de froidCette représentation réduit le procédé entier en un courant combiné de chaud et de froid

La récupération de la chaleur entre les courbes composites peut être augmentée La récupération de la chaleur entre les courbes composites peut être augmentée jusqu’à ce que nous atteignions jusqu’à ce que nous atteignions Tmin. Les courbes composites, exactement comme Tmin. Les courbes composites, exactement comme des courants individuels, peuvent être déplacées horizontalement sur le diagramme T-des courants individuels, peuvent être déplacées horizontalement sur le diagramme T-H sans causer de changements au procédé, parce que H est une fonction d’étatH sans causer de changements au procédé, parce que H est une fonction d’état

Ceci établit les exigences minimales de chauffage (QCeci établit les exigences minimales de chauffage (QHminHmin) et de refroidissement (Q) et de refroidissement (QCminCmin) ) des services, pour le procédé entier et la récupération maximale possible de chaleur des services, pour le procédé entier et la récupération maximale possible de chaleur entre procédés entre procédés

Internal Heat Recovery QHmin

Exigence de Exigence de refroidissemenrefroidissemen

t minimalt minimal

QCminExigence de Exigence de chauffage chauffage minimalminimal

0

Application des courbes composites

100

200

300

400

500

600

700

0 50000 100000 150000 200000 250000H (kW)

T (

K)

Figure 24


Tmin= 40K

41

PIECENAMP



Comme montré dans les diapositives précédentes, du diagramme Comme montré dans les diapositives précédentes, du diagramme température-enthalpie, nous pouvons déterminer trois éléments température-enthalpie, nous pouvons déterminer trois éléments utiles d’informations:utiles d’informations:

La quantité de récupération de chaleur possible entre procédés, La quantité de récupération de chaleur possible entre procédés, représentée par l’espace entre les deux courbes compositesreprésentée par l’espace entre les deux courbes composites

L'exigence ou l'objectif du service de chauffage = 57668 kWL'exigence ou l'objectif du service de chauffage = 57668 kW L'exigence ou l'objectif du service de refroidissement = 30784 kWL'exigence ou l'objectif du service de refroidissement = 30784 kW

Résumé des résultatsRésumé des résultats

Les courbes composites sont d’excellents outils pour apprendre les Les courbes composites sont d’excellents outils pour apprendre les méthodes et comprendre la situation énergétique globale, mais une méthodes et comprendre la situation énergétique globale, mais une consommation minimale d’énergie et le point d'invariance de la consommation minimale d’énergie et le point d'invariance de la récupération de la chaleur sont plus souvent obtenus par des récupération de la chaleur sont plus souvent obtenus par des procédures numériques. procédures numériques. Cette méthode est appelée Cette méthode est appelée algorithme du tableau de problèmes. algorithme du tableau de problèmes. Typiquement, elle est Typiquement, elle est basée sur les notions de basée sur les notions de cascade calorifiquecascade calorifique..

Q5Q5 Q6Q6

42

PIECENAMP



2.2 Exemple solutionné 2: Analyse thermique du 2.2 Exemple solutionné 2: Analyse thermique du point d'invariancepoint d'invariance

2.32.3 Exemple solutionné 3: Contrôle et conception Exemple solutionné 3: Contrôle et conception d’un procédé intégré – Analyse de d’un procédé intégré – Analyse de commandabilitécommandabilité

Plan

43

PIECENAMP


Exemple solutionné 3: Contrôle et conception d’un

procédé intégré – Analyse de commandabilité

44

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré – Analyse de commandabilité - RappelPrincipes fondamentaux

ProcédéProcédé

capteurcapteur

Variables Variables d’entréed’entrée

VariablesVariablesde sortiede sortie

(contrôlées et(contrôlées etmesurées)mesurées)

Variables Variables d’entréed’entrée (manipulées) (manipulées)

PerturbationsPerturbations

IncertitudesIncertitudes

Interactions internesInteractions internes

RÉSILIENCE DU PROCÉDÉRÉSILIENCE DU PROCÉDÉ

FLEXIBILITÉ DU PROCÉDÉFLEXIBILITÉ DU PROCÉDÉ

Boucle de contrôleBoucle de contrôle

Figure 25

45

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré – Analyse de commandabilité

CCCC FCFC

C, FC, F

Eau: F1,C1Eau: F1,C1

Pâte: F2,C2Pâte: F2,C2

SORTIESSORTIES(meilleure sélection (meilleure sélection par l’analyse de par l’analyse de commandabilité)commandabilité)

ENTRÉESENTRÉES(variables manipulées (variables manipulées ou ou perturbations)perturbations)

EFFETSEFFETS

Figure 26

46

PIECENAMP



FF1111

FF2121

FF1212

FF2222

uu11

uu2 2

yy11

yy22

++

++

++++

yy11

yy22

CC11

CC22

yy1sp1sp

yy2sp2sp

++

++ __

__

Figure 27

47

PIECENAMP



FF1111

FF2121

FF1212

FF2222

uu11

uu2 2

yy11

yy22

++++

++++

uu11ssss

)y- gain, (OL , 11111

1 uKuy

Expérience 1Expérience 1: Changement de stade dans u1 avec toutes les boucles : Changement de stade dans u1 avec toutes les boucles ouvertesouvertes

Effet principal:Effet principal:

Figure 28

48

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré – Analyse de commandabilitéExpérience 2Expérience 2: Changement de stade dans u1 avec toutes les : Changement de stade dans u1 avec toutes les

boucles ferméesboucles fermées

F11

F21

F12

F22

u1

u2

y1

y2

+

+

++C2

e2y2sp

+ _

u1 ss

1r1111 y OLCL KKEffet total:Effet total:Effet interactifEffet interactif

Effet principalEffet principalFigure 29

49

PIECENAMP



CLK11OLK11 1ry

Effet principal (1Effet principal (1èreère expérience) expérience)OLK1111 CLK11

Effet total (2Effet total (2e e expérience)expérience)

Gain relatif (Gain relatif (RG: Relative GainRG: Relative Gain) et ) et Matrice de gain relatif (Matrice de gain relatif (RGA: Relative Gain ArrayRGA: Relative Gain Array))

1111 : mesure de l’ampleur : mesure de l’ampleur de de l’interaction en régimel’interaction en régime permanent,permanent, en utilisant u en utilisant u11 pour contrôler ypour contrôler y11, , tout en tout en utilisant uutilisant u22 pour contrôler pour contrôler

yy22

2221

1211

11Gain relatifGain relatifyy11 uu11

CL

OL

j

i

j

i

ij

u

y

u

y

ij

Matrice de gain relatifMatrice de gain relatif

yyii uujj

50

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré – Analyse de commandabilitéSélection des boucles utilisant RGA – Sélection des boucles utilisant RGA – Comment Comment

sélectionner la configuration avec une interaction minimalesélectionner la configuration avec une interaction minimale

yyii : Variable contrôlée : Variable contrôléeuujj : Variable : Variable manipulée manipulée

1ij

0ij

10 ij

1ij

0ij

ImplicationImplication RecommandationRecommandation

Boucle Boucle ii non sujette à l’action non sujette à l’action interactive des autres bouclesinteractive des autres boucles ji uy : Jumelez

uujj n’a pas d’influence directe sur n’a pas d’influence directe sur yyii ji uy : pas jumelez Ne

- - Boucles sont en interactionBoucles sont en interaction- sous 0.5, effet interactif > effet principal- sous 0.5, effet interactif > effet principal

ji uy : Évitez

- - Boucles sont en interactionBoucles sont en interaction- l’effet interactif agit en opposition à l’effet - l’effet interactif agit en opposition à l’effet principalprincipal

ji uy : de

maximumau Évitez

ij- - Boucles sont en interactionBoucles sont en interaction- - l’effet interactif n’agit pas seulement en l’effet interactif n’agit pas seulement en opposition à l’effet principal, mais il est aussi opposition à l’effet principal, mais il est aussi plus dominantplus dominant

ji uy : pas jumelez Ne

Tableau 8

51

PIECENAMP



NiederlinskiNiederlinski (NI) (NI) : indice de stabilité du système: indice de stabilité du système

Indice de conditionnement (CN: Condition Indice de conditionnement (CN: Condition Number)Number) et et Indice de conditionnement des Indice de conditionnement des perturbations (DCN: Disturbance Condition perturbations (DCN: Disturbance Condition Number) Number) : mesure de sensibilité: mesure de sensibilité

Gain relatif des perturbations (RDG: Relative Gain relatif des perturbations (RDG: Relative Disturbance Gain)Disturbance Gain) : indice qui donne une idée de : indice qui donne une idée de l’influence des interactions internes sur l’effet l’influence des interactions internes sur l’effet des perturbationsdes perturbations

Autres: Autres: Décomposition en valeurs singulièresDécomposition en valeurs singulières (SVD: Singular Value Decomposition)(SVD: Singular Value Decomposition)

Autres indices de commandabilitéAutres indices de commandabilité

52

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré – Analyse de commandabilitéÉnoncé du Énoncé du problèmeproblème

S

S

32 31

24

23

22

21

20

16

15

14

1312

11

10 6

5

CUVP AT ECUVP AT E 1

4

3

2

1

2.94705 %

2264.4 lt/min

13924 lt/min1.00382 %

6261

0 lt/

min

1.92

733

%13287.5 lt/min2.79214 %

1195

8.7

lt/m

in

2.96551 %

1114

4.5

lt/m

in

3.51

707

%

595.592 lt/min

3.02375 %

48686 lt/min2.19041 % 2.03148 %

4749

4 lt/

min

1.81

%

3.78

427

%

5961

.63

lt/m

in 0.4

%15

786

lt/m

in

3157.18 lt/min

12628.8 lt/min

814.

218

lt/m

in

249.

355

lt/m

in

11814.6 lt/min11565.2 lt/min

495.

588

lt/m

in

1106

9.6

lt/m

in47

69.6

lt/m

in

100 lt/min

10299.6 lt/min2.99513 %

6300 lt/min

4000 lt/min

Base Case: TMP Newsprint MillSteady State Simulation

401.885 l/min18 %

Wet web

Fresh water

Fresh Pulp (7 %)

Broke (18 %)

WWTank

Machine Chest

MixingChest

BrokeTank

PulpTank

F5F5

F8F8

F7F7

F2F2

F6F6

F3F3

F4F4

F1F1

Figure 30

Dans cette étude de cas, l’ingénieur en contrôle des procédés est invité à Dans cette étude de cas, l’ingénieur en contrôle des procédés est invité à créer un modèle de procédé de mise en pâte thermomécanique, pour créer un modèle de procédé de mise en pâte thermomécanique, pour trouver la meilleure sélection de contrôles de procédé et le jumelage trouver la meilleure sélection de contrôles de procédé et le jumelage variable pour une usine qui n’a pas encore été construite. Considérez la variable pour une usine qui n’a pas encore été construite. Considérez la configuration simplifiée de la boucle courte de la machine à papier journal configuration simplifiée de la boucle courte de la machine à papier journal représentée sur la figure 30. Les techniques de jumelage variable seront représentée sur la figure 30. Les techniques de jumelage variable seront appliquées aussi bien que l’utilisation des indices de commandabilité.appliquées aussi bien que l’utilisation des indices de commandabilité.

53

PIECENAMP


INPUTSName ID stream Flow(lt/min) Cons. (%) Temp (°C) Fines (%) TDS (ppm) Flow(TN/d)Fresh Pulp 1 4000.0 7.0 67.0 20.7 6049 5791.3Broke 3 100.0 18.0 54.0 29.0 4063 151.3Fresh water 63 2264.4 0.0 55.0 0.0 0 3214.1

OUTPUTSName ID stream Flow(lt/min) Cons. (%) Temp (°C) Fines (%) TDS (ppm) Flow(TN/d)Wet Web 62 401.9 18.00 61.5 30.06 4063 605.8Dilution 1 32 6300.0 0.40 61.5 98.80 3270 8937.2Dilution 2 6 495.6 0.40 61.5 98.80 3270 703.0Dilution 3 22 249.4 0.40 61.5 98.80 3270 353.7Dilution 4 16 814.2 0.40 61.5 98.80 3270 1155.1Dilution of Rejects Screen 41 4769.6 0.40 61.5 98.80 3270 6766.2Ww drained from forming zone 61 15786.0 0.40 61.5 98.80 3270 22394.1Ww Short Loop 40 3157.2 0.40 61.5 98.80 3270 4478.8Pulp to Headbox 34 13924.0 1.00 62.6 61.06 3826 19786.0Pulp to Screen 25 62610.0 1.93 62.6 10.07 3826 89243.4Diluted Broke entering Mixing Chest 30 595.6 3.52 60.3 35.53 3389 854.4Diluted Pulp entering Mixing Chest 33 10299.6 3.00 63.6 27.03 4317 14728.5Pulp leaving Mixing Chest 12 10895.2 3.02 63.4 27.57 4267 15582.9Pulp leaving Machine Chest 24 12473.3 2.95 63.4 27.85 4237 17835.7Rejects (Screening system) 52 5961.6 3.78 62.5 18.24 3776 8551.0Accepts (Hydrocyclone) 36 47493.9 1.81 62.5 1.61 3776 67672.6Pulp entering Machine Chest 23 11144.5 2.97 63.4 27.78 4244 15936.6Pulp entering Cuvier de pâte 43 13287.5 2.79 63.3 28.47 4176 18990.7Ww Long Loop 15 12628.8 0.40 61.5 98.80 3270 17915.2Ww Short Loop after accepts 46 50651.1 1.72 62.4 3.01 3744 72151.4Broke Ratio, % 5.5Retention, % 54.9

Stock Chest

Tableau 9

2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré – Analyse de commandabilité contrôléescontrôlées

manipuléesmanipulées perturbationsperturbations

Pfin = % Fines retained

Énoncé du problèmeÉnoncé du problème

54

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré– Analyse de commandabilité

S

S

32 31

24

23

22

21

20

1 6

1 5

1 4

1 31 2

1 1

1 0 6

5


4

3

2

1

2.94705 %

2264.4 lt/min

13924 lt/min1.00382 %

6261

0 lt/

min

1.92

733

%

13287.5 lt/min2.79214 %

1195

8.7

lt/m

in

2.96551 %11

144.

5 lt/

min

3.51

707

%

595.592 lt/min

3.02375 %

48686 lt/min2.19041 % 2.03148 %

4749

4 lt/

min

1.81

%

3.78

427

%

5961

.63

lt/m

in 0.4

%15

786

lt/m

in

3157.18 lt/min

12628.8 lt/min

814.

218

lt/m

in

249.

355

lt/m

in

11814.6 lt/min11565.2 lt/min

495.

588

lt/m

in

1106

9.6

lt/m

in47

69.6

lt/m

in

100 lt/min

10299.6 lt/min2.99513 %

6300 lt/min

4000 lt/min


401.885 l/min18 %

Wet web

Fresh water

Fresh Pulp (7 %)

Broke (18 %)

WWTank

Machine Chest

MixingChest

BrokeTank

PulpTank

BR

Ret

Pfin

CC

FinesFines


ManipuléManipulé

ContrôléContrôlé

Figure 31

55

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré– Analyse de commandabilité

t

C

BR

C

C

C

C

Re34

43

23

30

33

020.4265.0608.0068.0042.0077.0114.0

025.0004.0049.0001.0001.0001.0002.0

000.0000.0340.3000.0000.0775.0065.0

030.0004.0036.0016.0010.0018.0027.0

029.0004.0036.0001.0011.0020.0029.0

038.0005.0024.0001.0001.0404.0002.0

028.0004.0018.0001.0001.0001.0031.0

finP

F

F

F

F

F

F

40

3

16

22

6

32

597.4075.0

079.0164.0

000.0000.0

060.0455.0

058.0483.0

076.0052.0

056.0518.0

1

1

f

C== ++

GGpp GGdd

Matrices de gains du procédé et commandabilité en régime Matrices de gains du procédé et commandabilité en régime permanentpermanent


t

C

BR

C

C

C

C

Re34

43

23

30

33

finPFFFFFF 4031622632

603.1615.0000.0001.0000.0001.0010.0608.0566.1006.0005.0001.0003.0039.0000.0000.0003.1000.0000.0013.0010.0

001.0058.0000.0941.0000.0000.0000.0000.0000.0000.0053.0947.0000.0001.0020.0047.0014.0000.0004.0009.1001.0016.0038.0011.0000.0047.0000.0942.0

RGARGA

ContrôléContrôlé ManipuléManipulé

==

56

PIECENAMP



S

S

32 31

24

23

22

21

20

1 6

1 5

1 4

1 31 2

1 1

1 0 6

5


4

3

2

1

2.94705 %

2264.4 lt/min

13924 lt/min1.00382 %

6261

0 lt/

min

1.92

733

%

13287.5 lt/min2.79214 %

1195

8.7

lt/m

in

2.96551 %11

144.

5 lt/

min

3.51

707

%

595.592 lt/min

3.02375 %

48686 lt/min2.19041 % 2.03148 %

4749

4 lt/

min

1.81

%

3.78

427

%

5961

.63

lt/m

in 0.4

%15

786

lt/m

in

3157.18 lt/min

12628.8 lt/min

814.

218

lt/m

in

249.

355

lt/m

in

11814.6 lt/min11565.2 lt/min

495.

588

lt/m

in

1106

9.6

lt/m

in47

69.6

lt/m

in

100 lt/min

10299.6 lt/min2.99513 %

6300 lt/min

4000 lt/min


401.885 l/min18 %

Wet web

Fresh water

Fresh Pulp (7 %)

Broke (18 %)

WWTank

Machine Chest

MixingChest

BrokeTank

PulpTank

BR

Ret

Pfin

Figure 32

57

PIECENAMP



Indice de Niederlinski (NI) Indice de Niederlinski (NI) Considérations de stabilité Considérations de stabilité

NI < 0. Le système sera instable sous des conditions de NI < 0. Le système sera instable sous des conditions de boucle ferméeboucle fermée

NI > 0. Le système est stabilisable (fonction des NI > 0. Le système est stabilisable (fonction des paramètres de contrôle)paramètres de contrôle)

Indice de conditionnement (CN)Indice de conditionnement (CN) Sensibilité à l’incertitude Sensibilité à l’incertitude du modèledu modèle

CN CN ~<~< 2. Les effets multivariables de l’incertitude ne 2. Les effets multivariables de l’incertitude ne semblent pas être sérieuxsemblent pas être sérieux

CN CN ~>~> 10. Procédé MAL CONDITIONNÉ 10. Procédé MAL CONDITIONNÉCN=713CN=713

NI=0.73NI=0.73

Indices de commandabilité (1)Indices de commandabilité (1)

58

PIECENAMP


Indice de conditionnement des perturbations (DCN) Indice de conditionnement des perturbations (DCN) l’action prise par la variable manipulée est-elle grande ou l’action prise par la variable manipulée est-elle grande ou petite?petite?

11≤ DCN ≤ CN≤ DCN ≤ CN

Gain relatif des perturbations (RDG) Gain relatif des perturbations (RDG) Parmi les boucles, Parmi les boucles, l’interaction interne est-elle favorable ou non favorable pour l’interaction interne est-elle favorable ou non favorable pour rejeter les perturbations?rejeter les perturbations?

RDG ~<2 .RDG ~<2 . Les interactions internes réduisent l’effet de Les interactions internes réduisent l’effet de la perturbationla perturbation


L’effet des deux perturbations, %C et %fines dans la L’effet des deux perturbations, %C et %fines dans la PÂTE FRAÎCHE, est réduit par les interactions PÂTE FRAÎCHE, est réduit par les interactions

internes. Tous les internes. Tous les RDGs sont ~<2RDGs sont ~<2

Indices de commandabilité (2)Indices de commandabilité (2)

DCN for %CDCN for %Cpâte fraîchepâte fraîche = 9.2 = 9.2DCN for %finesDCN for %finespâte fraîchepâte fraîche = 4.6 = 4.6

Il est plus difficile de rejeter un changement soudain dans la Il est plus difficile de rejeter un changement soudain dans la consistance de la pâte fraîcheconsistance de la pâte fraîche

59

PIECENAMP


2.3 Exemple solutionné 3 : Contrôle et conception d’un procédé intégré – Analyse de commandabilitéConclusioConclusionn

Configuration de la structure de contrôle: les Configuration de la structure de contrôle: les résultats RGA ont confirmé l’implantation résultats RGA ont confirmé l’implantation courante dans les moulins à papier journalcourante dans les moulins à papier journal

Les interactions internes susmentionnées de Les interactions internes susmentionnées de la configuration réduisent l’effet des la configuration réduisent l’effet des perturbations sur les variables de sortieperturbations sur les variables de sortie

Le procédé est mal conditionné. Le procédé est mal conditionné. L’incertitude du modèle peut être largement L’incertitude du modèle peut être largement amplifiéeamplifiée

Les indices de résilience, DCN et RDG, Les indices de résilience, DCN et RDG, peuvent être utilisés pour tenir compte du peuvent être utilisés pour tenir compte du rejet de la perturbation dans les procédés du rejet de la perturbation dans les procédés du papier journalpapier journal

60

PIECENAMP


Fin du Niveau 2

C'est la fin du Niveau 2. À ce moment-ci, nous assumons que vous avez tout lu. C'est la fin du Niveau 2. À ce moment-ci, nous assumons que vous avez tout lu. Vous devriez avoir une très bonne idée de ce qu'est l'Intégration des Procédés Vous devriez avoir une très bonne idée de ce qu'est l'Intégration des Procédés aussi bien qu'une connaissance de base de l'analyse multivariable, de l'analyse aussi bien qu'une connaissance de base de l'analyse multivariable, de l'analyse thermique du point d'invariance et de l'analyse de commandabilité. Pour plus thermique du point d'invariance et de l'analyse de commandabilité. Pour plus d'informations sur les outils présentés dans le Niveau 2, aussi bien que sur les d'informations sur les outils présentés dans le Niveau 2, aussi bien que sur les autres outils de l’Intégration des Procédés, présentés dans le Niveau 1, s.v.p. autres outils de l’Intégration des Procédés, présentés dans le Niveau 1, s.v.p. consulter les diapositives de référence des Niveaux 1 et 2.consulter les diapositives de référence des Niveaux 1 et 2.

Avant de passer au Niveau 3, un court quiz à choix multiples suivra.Avant de passer au Niveau 3, un court quiz à choix multiples suivra.

61

PIECENAMP


QUIZ

62

PIECENAMP


Question 1Question 1Quelle est la principale utilisation de l’analyse des composantes?Quelle est la principale utilisation de l’analyse des composantes?

1.1. Comprendre les relations entre les variables d'un systèmeComprendre les relations entre les variables d'un système

2.2. Identifier les composantes ayant une influence sur un ou Identifier les composantes ayant une influence sur un ou plusieurs résultatsplusieurs résultats

3.3. Prédire certains résultatsPrédire certains résultats

4.4. Maximiser la covariance d'un ensemble de variablesMaximiser la covariance d'un ensemble de variables

2 et 32 et 3

1,2 et 31,2 et 3

11

1 et 21 et 2

1 et 31 et 3

33

Niveau 2 - QUIZ

63

PIECENAMP


Question 2Question 2

Associez chaque résultat de l’analyse multivariable au genre Associez chaque résultat de l’analyse multivariable au genre d’information qu’il fournit à l’utilisateur.d’information qu’il fournit à l’utilisateur.

1.1. Diagramme des résidus Diagramme des résidus A.A. Montre tous les points des données Montre tous les points des données initialesinitiales dans un nouvel dans un nouvel

ensemble de ensemble de coordonnées ou de coordonnées ou de composantescomposantes

2. 2. Diagramme des cotes Diagramme des cotes B. Montre la distance entre chaque B. Montre la distance entre chaque observation observation réelle dans l’ensemble de réelle dans l’ensemble de données et la valeur données et la valeur prévisible basée sur prévisible basée sur le modèlele modèle

3. 3. Observé vs. PréditObservé vs. Prédit C. Montre l’exactitude de la prévisionC. Montre l’exactitude de la prévision

4. 4. Diagramme des chargesDiagramme des charges D. D. Montre comment chaque variable Montre comment chaque variable est est étroitement liée avec chaque étroitement liée avec chaque nouvelle nouvelle composantecomposante

11BB, 2, 2AA, 3, 3CC, , 44DD

11BB, 2, 2DD, 3, 3CC, , 44AA

11CC, 2, 2DD, 3, 3AA, , 44BB11AA, 2, 2DD, 3, 3BB, , 44CC

11DD, 2, 2BB, 3, 3AA, 4, 4CC

11BB, 2, 2CC, 3, 3DD, , 44AA

Niveau 2 - QUIZ

64

PIECENAMP


Question 3Question 3Les longueurs et orientations des axes obtenus avec un PCA sont Les longueurs et orientations des axes obtenus avec un PCA sont données par les valeurs propres et les vecteurs propres de la données par les valeurs propres et les vecteurs propres de la matrice de corrélation. Supposons que les variables de longueur matrice de corrélation. Supposons que les variables de longueur et de largeur ont un coefficient de corrélation plus bas que dans et de largeur ont un coefficient de corrélation plus bas que dans l'exemple donné à la diapositive 13, et que nous obtenons les l'exemple donné à la diapositive 13, et que nous obtenons les valeurs propres montrées dans la figure ci-dessous. Si nous valeurs propres montrées dans la figure ci-dessous. Si nous omettions le deuxième axe, quel pourcentage de l'information omettions le deuxième axe, quel pourcentage de l'information originale perdrions-nous?originale perdrions-nous?

12,5%12,5%

0%0%

25%25%

37,5%37,5%

75%75%

62,5%62,5%

Niveau 2 - QUIZ

65

PIECENAMP


Question 4Question 4Dans le contexte de l'analyse thermique du point d'invariance, Dans le contexte de l'analyse thermique du point d'invariance, quel est le courant chaud? quel est le courant chaud?

1. Un courant de procédé qui a besoin d'être chauffé1. Un courant de procédé qui a besoin d'être chauffé

2. Un courant de procédé avec une très haute température2. Un courant de procédé avec une très haute température

3. Un courant de procédé qui est utilisé pour produire de la 3. Un courant de procédé qui est utilisé pour produire de la vapeurvapeur

4. Un courant de procédé qui a besoin d'être refroidi4. Un courant de procédé qui a besoin d'être refroidi

11

22

33

44

TIER II - QUIZ

66

PIECENAMP


Question 5Question 5

Plus hautsPlus hauts

Plus basPlus bas

Resteraient les Resteraient les mêmesmêmes

Une analyse thermique du point d'invariance a été effectuée dans Une analyse thermique du point d'invariance a été effectuée dans une usine et le une usine et le TTminmin a été établi à 40ºC. Si une autre usine avait à a été établi à 40ºC. Si une autre usine avait à être construite avec un être construite avec un ttmin min plus bas, comment les coûts plus bas, comment les coûts d'énergie correspondants pourraient-ils être comparés à la d'énergie correspondants pourraient-ils être comparés à la première usine?première usine?

TIER II - QUIZ

67

PIECENAMP


Question 6Question 6Lesquels des énoncés suivants sont vrais?Lesquels des énoncés suivants sont vrais?

1.1. La consommation d’énergie minimale et la récupération de La consommation d’énergie minimale et la récupération de chaleur du point d’invariance sont plus souvent obtenues par chaleur du point d’invariance sont plus souvent obtenues par des courbes compositesdes courbes composites

2.2. Les courbes composites, tout comme les courants individuels, Les courbes composites, tout comme les courants individuels, peuvent être déplacés horizontalement sur le diagramme T-H peuvent être déplacés horizontalement sur le diagramme T-H sans causer de changements au procédésans causer de changements au procédé

3.3. La chaleur peut parfois être transférée au travers du point La chaleur peut parfois être transférée au travers du point d’invarianced’invariance

4.4. Avec l'aide de Avec l'aide de Tmin et les données thermiques, l'analyse du Tmin et les données thermiques, l'analyse du point d'invariance fournit une cible pour la consommation point d'invariance fournit une cible pour la consommation minimale de l'énergieminimale de l'énergie 2 et 32 et 3

Toutes ces Toutes ces réponsesréponses

1 et 31 et 3

1 et 21 et 2

2 et 42 et 4

3 et 43 et 4

Niveau 2 - QUIZ

68

PIECENAMP


Question 7Question 7Niveau 2 - QUIZ

1. Indice de Niederlinski1. Indice de Niederlinski

2. Gain relatif des perturbations 2. Gain relatif des perturbations

3. Indice de conditionnement3. Indice de conditionnement

4. Matrice de gain relatif4. Matrice de gain relatif

11BB, 2, 2AA, 3, 3CC, , 44DD

11DD, 2, 2CC, 3, 3BB, , 44AA

11CC, 2, 2DD, 3, 3AA, , 44BB11AA, 2, 2DD, 3, 3BB, , 44CC

11DD, 2, 2BB, 3, 3AA, 4, 4CC

11BB, 2, 2CC, 3, 3DD, , 44AA

A.A. Montre l'importance des Montre l'importance des interactions dans un systèmeinteractions dans un système

B.B. Évalue la sensibilité des Évalue la sensibilité des réponses aux problèmes des réponses aux problèmes des erreurs à l'entréeerreurs à l'entrée

C.C. Inclut les perturbations dans Inclut les perturbations dans l'analyse des interactionsl'analyse des interactions

• Débat de la stabilité de la Débat de la stabilité de la configuration d'un contrôle en configuration d'un contrôle en boucle ferméeboucle fermée

Associez chaque outil ou indice de commandabilité avec le Associez chaque outil ou indice de commandabilité avec le genre d'information fourni à l'utilisateurgenre d'information fourni à l'utilisateur

69

PIECENAMP



1 et 51 et 5

4 et 64 et 6

3 et 63 et 6

2 et 62 et 6

4 et 54 et 5

2 et 52 et 5

Dans la matrice de gain relatif montrée sur la diapositive 54, Dans la matrice de gain relatif montrée sur la diapositive 54, qu'est-ce que les valeurs 1.566 et 1.603 pour le jumelage de F40 qu'est-ce que les valeurs 1.566 et 1.603 pour le jumelage de F40 et C34, et Pfin et Ret, vous révèlent?et C34, et Pfin et Ret, vous révèlent?

1. Il n’y a pas d’interaction avec les autres boucles de contrôle 1. Il n’y a pas d’interaction avec les autres boucles de contrôle

2. L’effet interactif est plus important que l’effet principal2. L’effet interactif est plus important que l’effet principal

3. L’entrée manipulée n’a pas d’effet sur la sortie 3. L’entrée manipulée n’a pas d’effet sur la sortie

4. Les interactions des autres boucles sont opposées dans la 4. Les interactions des autres boucles sont opposées dans la direction, mais plus petites en magnitude que l’effet de la boucle direction, mais plus petites en magnitude que l’effet de la boucle principaleprincipale

5. Le jumelage est recommandé5. Le jumelage est recommandé

6. Le jumelage n'est pas recommandé6. Le jumelage n'est pas recommandé

70

PIECENAMP



Lesquels de ces énoncés suivants sont faux?Lesquels de ces énoncés suivants sont faux?

1.1. Le contrôle de l’action directe compense pour les Le contrôle de l’action directe compense pour les perturbations non mesurablesperturbations non mesurables

2.2. Le contrôle de la rétroaction compense pour les perturbations Le contrôle de la rétroaction compense pour les perturbations mesurablesmesurables

3.3. La résilience est le degré avec lequel un système de procédés La résilience est le degré avec lequel un système de procédés peut rencontrer ses objectifs de conception en dépit des peut rencontrer ses objectifs de conception en dépit des incertitudes dans ses paramètres de conceptionincertitudes dans ses paramètres de conception

4.4. La flexibilité est le degré avec lequel un système de procédés La flexibilité est le degré avec lequel un système de procédés peut rencontrer ses objectifs de conception en dépit des peut rencontrer ses objectifs de conception en dépit des perturbations externesperturbations externes

2 et 32 et 3

Toutes ces réponsesToutes ces réponses

1 et 31 et 3

1 et 21 et 2

2 et 42 et 4

3 et 43 et 4

71

PIECENAMP


RéponsesRéponsesQuestion 1Question 1 1 et 21 et 2

Question 2Question 2 11BB, 2, 2AA, 3, 3CC, 4, 4DD

Question 3Question 3 37,5%37,5%

Question 4Question 4 44

Question 5Question 5 Plus basPlus bas

Question 6Question 6 2 et 42 et 4

Question 7Question 7 11DD, 2, 2CC, 3, 3BB, 4, 4AA

Question 8Question 8 4 et 54 et 5

Question 9Question 9 Toutes ces réponsesToutes ces réponses

Niveau 2 - QUIZ

Documents

Program for North American Mobility in Higher Education (NAMP)