Le secteur pétrolier et gazier implique des procédés à forte intensité capitalistique et à rendement continu. Les matières premières, comme le pétrole brut, sont transformées en produits pétroliers à très grande échelle, ce qui rend la maîtrise des procédés essentielle. Les matières premières présentent généralement des propriétés chimiques et physiques très variables qui peuvent avoir un effet considérable sur le résultat du procédé. Les ingénieurs recourent le plus souvent à des principes et des expériences scientifiques pour déterminer les paramètres du procédé susceptibles de produire les résultats souhaités. Cependant, ces pratiques peuvent s'avérer hasardeuses. Les graphiques de la maîtrise statistique des procédés (MSP) sont très utiles pour signaler qu'un procédé devient instable. Cependant, l'utilisation de la MSP pour alerter d'un changement de procédé présente l'inconvénient que des produits suspects sont fabriqués entre-temps.
Les fabricants transfèrent une grande partie de la responsabilité de l'identification des matières premières aux fournisseurs. Il arrive fréquemment que les certifications soient envoyées aux clients avant que les matériaux ne soient reçus, c'est-à-dire généralement plusieurs jours ou semaines avant que le matériau ne soit utilisé. Que se passerait-il si les informations du fournisseur pouvaient être utilisées pour prédire les changements de procédés avant l'exécution de ces derniers afin de mettre en place des mesures d'atténuation ? Cet article explique comment le déploiement opérationnel d'un modèle de procédé peut être utilisé pour créer, à cette fin, des graphiques de procédés préstatistiques. De nombreux autres secteurs disposent de procédés qui nécessitent des équipements à forte intensité capitalistique, un rendement continu et des matières premières entrantes qui présentent de fortes variations. Parmi les secteurs qui pourraient tirer profit de l'utilisation de la MSP prédictive, nous retrouvons l'industrie de l'alimentation, des compléments alimentaires et des produits chimiques.
Grâce aux récents ajouts apportés à Minitab, les techniques de modélisation sont devenues très puissantes et faciles à utiliser. Bon nombre d'entreprises recourent à des modèles de procédés pour développer et améliorer leurs procédés. Ces modèles sont créés à partir de la mesure du fournisseur et des entrées du procédé (contrôlées par les techniciens) pour déterminer la relation avec un résultat clé. Les ingénieurs déterminent le bon nombre d'entrées et le type de modèle nécessaire pour obtenir des résultats appropriés permettant de faire des prédictions raisonnables. Le modèle est déployé dans ModelOps et relié au flux de nouvelles données pour faire des prédictions. Un graphique MSP est créé à partir des prédictions du modèle et sa stabilité est surveillée. Si une tendance défavorable est identifiée, le modèle est revu pour trouver des variables de procédé qui pourraient être modifiées afin de l'atténuer. Toutes ces étapes sont effectuées avant l'exécution du procédé, ce qui peut s'avérer très efficace pour minimiser les risques liés à la qualité.
L'exemple implique 16 variables continues, dont l'une correspond à une mesure fournie par une certification du fournisseur envoyée avant l'expédition d'une matière première. Différentes variables sont présentes, notamment l'unité utilisée pour le traitement, et deux paramètres principaux. Un modèle de régression linéaire multiple correctement ajusté (r carré ~ 67 %) est créé à partir de 478 lignes de données de traitement passées au moyen d'une sélection de variables par étapes (tableau A).
Le graphique d'optimisation des réponses (figure 1) illustre l'effet de levier des principales variables prédictives. La mesure de certification du fournisseur et la pression initiale présentent des courbes ascendantes et linéaires, tandis que de légères modifications de la valeur créent des différences notables au niveau du résultat clé. La température de refroidissement indique une réaction moindre et les changements d'unité semblent avoir une influence sur le résultat clé.
Graphique 2
De nouvelles données sont collectées afin de pouvoir faire des prédictions sur les résultats clés. Les données incluent la mesure de certification du fournisseur, les valeurs d'entrée statiques pour les paramètres, et les données générées par la distribution pour les variables du procédé dont la variation est connue. Les températures de traitement sont un exemple de variables générées par la distribution. Les ingénieurs savent que la température réelle du point de procédé varie en fonction du paramètre de contrôle. Les paramètres des variables sont créés à partir de mesures du point de procédé ou de spécifications techniques du fabricant de l'équipement. Les variables sont calculées à partir d'une distribution déterminée afin d'obtenir un scénario de traitement réaliste. Ces techniques sont essentiellement les mêmes que celles utilisées dans les simulations de Monte-Carlo.
Minitab Connect récupère les données toutes les heures et les envoie à Model Ops pour obtenir des prédictions. Une carte de contrôle individuelle et d'étendue mobile est utilisée pour surveiller les évolutions. Il est essentiel de s'assurer que les paramètres historiques sont utilisés pour calculer les limites de contrôle statistique. L'utilisation des données simulées n'est pas appropriée pour le calcul des limites. Le graphique de la MSP prédictive illustré par la figure 3 montre un procédé à priori stable jusqu'aux trois dernières observations. Les trois dernières observations se situent en dessous de la limite de contrôle inférieure historique, ce qui pourrait entraîner des problèmes liés à la qualité si l'instabilité devait se poursuivre.
Graphique 3
L'équipe d'ingénieurs passe en revue le modèle de procédé et détermine que la pression initiale passe de 90 à 120. Le modèle d'optimisation indique que la modification du paramètre atténuera probablement la baisse des résultats causée par la modification de la mesure de certification du fournisseur. La modification proposée du paramètre de la pression initiale est effectuée dans le tableau des données source. L'extraction des données ainsi que la création de graphiques dans Connect sont relancées. Le graphique final (figure 4) indique en effet que la modification de la pression initiale a atténué les effets négatifs de la modification de la mesure du fournisseur.
Graphique 4
Le concept de MSP implique des réponses rapides à l'évolution des tendances qui aboutissent à de l'instabilité. Un procédé instable implique un risque lié à la qualité, qui peut se traduire par des matériaux non conformes ou déclassés. La capacité de créer des cartes de contrôle des procédés à partir de données avant que les procédés ne soient exécutés est extrêmement utile, car il est désormais possible d'atténuer les tendances défavorables avant que les résultats réels ne soient créés. Dans le secteur pétrolier et gazier, les bénéfices peuvent se chiffrer en millions de dollars en raison du volume et des revenus potentiels des produits fabriqués. Les solutions Minitab permettent de transformer facilement le procédé de création et de surveillance du graphique de la MSP prédictive en une composante essentielle du contrôle de la qualité.