In Touch with R&C95
DATA
Un gisement d innovation
À l occasion d un projet de contrôle avancé sur la colonne de distillation (DEE)
de Donges, Sébastien Gourvénec, Spectroscopy & Modeling team leader à
la direction Industrielle, a proposé de mettre la Data Science à contribution
pour prévenir le problème récurrent de son engorgement. Une excellente
opportunité pour tester la Data Science. Bonne nouvelle : ça fonctionne !
C haque jour, plus d un
millier de capteurs
enregistrent, à
l intérieur et à
l extérieur de la
colonne de distillation de la
raffinerie de Donges, des millions
de données de tous ordres :
températures, pressions, débits,
ouvertures de vannes, etc. Ces
colonnes de distillation, qui
permettent la séparation de
différents composants à partir
d un mélange d hydrocarbures,
sont régulièrement impactées par
un phénomène d engorgement.
Lorsque le reflux est trop grand,
le liquide ne peut plus descendre
dans la colonne. C est un problème
fréquent, dont la cause peut
être variée : débit de vapeur trop
élevé, chauffage trop intense,
etc. Il se traduit par une perte de
performance, et une diminution
de la qualité de séparation. Ainsi à
Donges, la colonne de distillation
atmosphérique (DEE) connaît
plusieurs engorgements par mois.
À chaque fois, huit heures en
moyenne sont nécessaires pour la
stabiliser à nouveau.
C est à partir de ce double constat
une collecte de données
extrêmement riche et des
problèmes récurrents, mais que
l on pourrait mieux anticiper que
Sébastien Gourvénec a proposé un
projet pilote. « Je cherchais depuis
longtemps un sujet qui permettrait
de montrer qu on peut s appuyer
sur les data et sur la Data Science
pour anticiper des incidents qui
pénalisent la performance. »
La première phase a consisté
à utiliser 12 mois de données
collectées par les capteurs entre
décembre 2016 et novembre
2017, pour apprendre à calculer le
risque estimé avec pour objectif de
développer un prédicteur capable
de prévenir l opérateur quand un
engorgement est imminent et lui
permettre d agir pour, si possible,
éviter le phénomène.
« Mais nous avons aussi introduit
dans ce modèle des variables,
parfois calculées, directement
issues de la connaissance qu ont
les experts du process, une
connaissance qui est très
précieuse. » À partir de cet
ensemble mixte de données, le
modèle a été mis à l épreuve pour
prédire les engorgements sur deux
mois, entre décembre 2017 et
janvier 2018. Le modèle s est révélé
beaucoup plus performant que les
méthodes classiques, basées sur
des équations théoriques ou des
analyses de température
et de pression différentielle.
Là où ces méthodes ont su prédire
52 % des engorgements sur la
période, l approche data en a
prédit 89 % et a produit moitié
moins de fausses détections
que les méthodes classiques.
« Pour l instant, c est un pilote, une
expérience off line, notre système
d information n étant pas encore
capable d accueillir ce type de
modèle. Mais l approche a fait ses
preuves. Le déploiement industriel
est en cours et de réels progrès ont
été obtenus sur la fin de 2018. »
VOUS AVEZ DIT DATA SCIENCE ?
La Data Science consiste à modéliser le comportement de données. Objectifs : les trier, apprendre à les prédire, en extraire des connaissances d ensembles. Généralement, le processus est séparé en deux phases : l apprentissage et le test. Lors de la phase d apprentissage, un modèle des données étiquetées est calculé et optimisé. La phase de test consiste ensuite à prédire l étiquette d une nouvelle donnée, en utilisant le modèle préalablement appris.
R&D ET TECHNOLOGIES
Innovation
