Depuis plusieurs années, Aluminerie Alouette utilise STATISTICA Entreprise pour effectuer un suivi efficace de ses nombreux indicateurs de performance et assurer le contrôle de son procédé. Afin de demeurer parmi les leaders mondiaux, il est nécessaire de continuellement accroître la compréhension des différents procédés de l'aluminerie. En effet, des centaines d'intrants ont un impact potentiellement significatif sur la production d'aluminium. Certains de ces intrants peuvent être contrôlés par une équipe de procédé (dosage des additifs, gestion de l'énergie, etc.) alors que d'autres intrants sont indépendants du contrôle (température extérieure, composition de la matière première, etc.). Dans l'optique de mieux comprendre l'impact de ces intrants, Aluminerie Alouette a donc acquis les logiciels STATISTICA Data Miner et MSP Multidimensionnelle pour effectuer des analyses sur des systèmes multivariés.
Besoins
Les modules proposés par StatSoft devaient permettre de combler deux objectifs :
Identifier les intrants ayant un impact significatif sur les indicateurs de performance de notre procédé.
Développer un modèle multivarié permettant de suivre de nouveaux indicateurs de performance.
Dans ce sens, depuis l'arrivée des modules, plusieurs analyses ont été effectuées et valident que STATISTICA Data Miner et MSP Multidimensionnelle correspondent bien aux besoins d'Aluminerie Alouette.
Meilleurs prédicteurs triés par ordre d'importance par STATISTICA Data Miner
Résultats
Analyse des prédicteurs
Comme l'indique un article de Dion et al., publié dans « Journal of light metals – TMS 2013 », l'utilisation de STATISTICA Data Miner a été fructueuse chez Aluminerie Alouette. En effet, il est facilement possible d'identifier par ordre d'importance les paramètres ayant un impact significatif sur différentes facettes du procédé. Toutefois, le niveau d'expérience de l'utilisateur est un facteur déterminant pour chacune des analyses. En effet, la façon de présenter les éléments prédicteurs (intrants) a une influence sur les résultats et il faut savoir interpréter correctement les données de sortie pour tirer des conclusions appropriées.
Développement des modèles
Nuage de points de la modélisation STATISTICA Data Miner
Dans le but d'obtenir une production d'aluminium optimale, il est tout d'abord important de comprendre quels intrants ont le plus d'impact sur celle-ci. De par l'utilisation des réseaux de neurones automatisés, il a été possible de mettre en œuvre un modèle qui représente différents scénarios d'opérations, le tout à partir des données historiques. Ce modèle permet d'ajuster les bons intrants du procédé sans compromettre la qualité des opérations. De plus, avec les modèles statistiques développés, il est également possible d'effectuer des prédictions de production à moyen terme, en tenant compte des événements futurs planifiés. Finalement, le modèle permet d'explorer, de façon fictive, les résultats opérationnels du système lorsque certains paramètres d'entrée divergent de leur zone cible respective.
Conclusion
L'utilisation des logiciels STATISTICA Data Miner et MSP Multidimensionnelle a permis d'apporter une nouvelle approche chez Aluminerie Alouette pour identifier la source de certaines problématiques relatives au procédé. En effet, ces logiciels permettent une meilleure compréhension de l'interaction entre les différents intrants d'un système. L'utilisation des modèles créés permet également d'explorer différents scénarios d'opération en extrapolant hors du domaine conformément utilisé. Pour terminer, une formation sur les modules proposés par StatSoft et une bonne compréhension du domaine analysé ont été essentielles pour obtenir des résultats significatifs et intéressants.
Besoins
Les modules proposés par StatSoft devaient permettre de combler deux objectifs :
Identifier les intrants ayant un impact significatif sur les indicateurs de performance de notre procédé.
Développer un modèle multivarié permettant de suivre de nouveaux indicateurs de performance.
Dans ce sens, depuis l'arrivée des modules, plusieurs analyses ont été effectuées et valident que STATISTICA Data Miner et MSP Multidimensionnelle correspondent bien aux besoins d'Aluminerie Alouette.
Meilleurs prédicteurs triés par ordre d'importance par STATISTICA Data Miner
Résultats
Analyse des prédicteurs
Comme l'indique un article de Dion et al., publié dans « Journal of light metals – TMS 2013 », l'utilisation de STATISTICA Data Miner a été fructueuse chez Aluminerie Alouette. En effet, il est facilement possible d'identifier par ordre d'importance les paramètres ayant un impact significatif sur différentes facettes du procédé. Toutefois, le niveau d'expérience de l'utilisateur est un facteur déterminant pour chacune des analyses. En effet, la façon de présenter les éléments prédicteurs (intrants) a une influence sur les résultats et il faut savoir interpréter correctement les données de sortie pour tirer des conclusions appropriées.
Développement des modèles
Nuage de points de la modélisation STATISTICA Data Miner
Dans le but d'obtenir une production d'aluminium optimale, il est tout d'abord important de comprendre quels intrants ont le plus d'impact sur celle-ci. De par l'utilisation des réseaux de neurones automatisés, il a été possible de mettre en œuvre un modèle qui représente différents scénarios d'opérations, le tout à partir des données historiques. Ce modèle permet d'ajuster les bons intrants du procédé sans compromettre la qualité des opérations. De plus, avec les modèles statistiques développés, il est également possible d'effectuer des prédictions de production à moyen terme, en tenant compte des événements futurs planifiés. Finalement, le modèle permet d'explorer, de façon fictive, les résultats opérationnels du système lorsque certains paramètres d'entrée divergent de leur zone cible respective.
Conclusion
L'utilisation des logiciels STATISTICA Data Miner et MSP Multidimensionnelle a permis d'apporter une nouvelle approche chez Aluminerie Alouette pour identifier la source de certaines problématiques relatives au procédé. En effet, ces logiciels permettent une meilleure compréhension de l'interaction entre les différents intrants d'un système. L'utilisation des modèles créés permet également d'explorer différents scénarios d'opération en extrapolant hors du domaine conformément utilisé. Pour terminer, une formation sur les modules proposés par StatSoft et une bonne compréhension du domaine analysé ont été essentielles pour obtenir des résultats significatifs et intéressants.