Les ingénieurs procédés utilisent MATLAB et Simulink pour analyser des données de capteurs en temps réel, implémenter des stratégies de contrôle et créer des systèmes de maintenance prédictive basés sur le Big Data et le Machine Learning.
MATLAB et Simulink aident les ingénieurs procédés à :
- Développer des systèmes de maintenance prédictive grâce à des techniques numériques sur des données de capteurs haute fréquence.
- Utiliser le Machine Learning avec des données historiques afin de résoudre les problèmes de processus
- Modéliser des données pour améliorer la performance des processus
- Développer et implémenter des stratégies de contrôle prédictif avancé (APC)
- Adopter la digitalisation sans dépendre des Data Scientists ou du personnel informatique
« En tant qu'entreprise manufacturière, nous ne disposons pas de Data Scientists experts en Machine Learning. Mais grâce à MathWorks, nous possédons désormais les outils et le savoir-faire technique nécessaires pour développer un système de maintenance préventive de production en seulement quelques mois. »
Dr. Michael Kohlert, Mondi Gronau
Regarder un exemple
Au-delà des simulateurs de procédés
Les simulateurs de procédés classiques sont généralement adaptés à des conditions en régime permanent. Ils sont cependant incapables de gérer les données dynamiques auxquelles les installations sont confrontées. Avec MATLAB, vous pouvez créer vos propres équations et algorithmes et bénéficier ainsi d'un contrôle total sur l'ensemble du modèle.
Vous pouvez également intégrer MATLAB à des simulateurs de procédés comme Aspen Plus et gPROMS afin de personnaliser les opérations d'unités, effectuer des analyses avancées, concevoir des schémas de commande et exploiter des routines d'optimisation telles que des algorithmes génétiques.
Jumeaux numériques pour la production de pétrole et de gaz (48:37)
Optimisation des actifs avec la maintenance prédictive et le traitement du signal
MATLAB peut vous aider à développer des algorithmes de maintenance prédictive personnalisés en fonction du profil architectural et opérationnel de votre équipement. Utilisez Predictive Maintenance Toolbox pour concevoir des indicateurs d'état et estimer la durée de vie utile restante de votre équipement rotatif.
Utilisez Signal Processing Toolbox pour automatiser la surveillance des performances de vos boucles de contrôle, déterminer à distance l'étendue de la corrosion et des piqûres sur vos pipelines, ou encore détecter la position géographique et l'ampleur des fuites.
Découvrez comment (39:51) Tupras a mis en place un système d'évaluation des performances en continu automatisé sur les sites de ses raffineries.
Machine Learning et Big Data
Les applications interactives de Statistics and Machine Learning Toolbox vous permettent d'appliquer des techniques de Machine Learning sans être un expert en data science. MATLAB offre également un environnement haute performance unique pour manipuler des données Big Data structurées ou non, vous permettant ainsi d’accélérer les opérations de diagnostic et de détection de défaillances, et d’optimiser la surveillance de vos processus.
Découvrez comment les chercheurs d’I2C2 ont analysé des millions de lignes de données de procédé et développé des modèles de Machine Learning pour prévoir les propriétés fonctionnelles de la poudre de lait.
Deep Learning et traitement d'images
Quelques lignes de code MATLAB suffisent pour développer des modèles de Deep Learning qui utilisent vos données de procédé pour prévoir les conditions de fonctionnement anormales. Utilisez les applications d'Image Processing Toolbox afin d'automatiser des processus récurrents comme la segmentation des données d'image et le traitement par lots de grands jeux de données d'images. MATLAB est adapté à diverses opérations de traitement d'images, notamment la caractérisation de flammes, l'imagerie thermique d'équipements et le contrôle qualité de films plastiques. Le Deep Learning dans MATLAB permet d'apprendre les caractéristiques directement à partir des données vidéo et d'images.
Amélioration des processus grâce à la modélisation des données
Utilisez les outils d'analyse multivariés de MATLAB afin d'identifier les variables isolées qui affectent la performance des processus. System Identification Toolbox vous permet de créer et d'utiliser des modèles de systèmes dynamiques difficiles à modéliser, à partir de premiers principes ou de premières spécifications. Grâce à cette toolbox, vous pouvez aussi exécutez interactivement des estimations de paramètres et d'états en ligne.
Découvrez comment Shell utilise MATLAB. (3:35) pour développer des modèles et exécuter des tâches d'optimisation en temps réel dans le cadre de traitements par lots.
Développer and implémenter des stratégies de contrôle prédictif avancé (APC)
Les produits de MATLAB pour le contrôle permettent de concevoir des schémas de contrôle et d'exécuter des simulations dynamiques pour obtenir une analyse plus précise du comportement des installations. Concevez, simulez et déployez des contrôleurs prédictifs linéaires et non linéaires pour vos installations grâce à Model Predictive Control Toolbox.
Les ingénieurs contrôle peuvent également intégrer à Simulink des modèles de processus d'Aspen Plus et de gPROMS. Il est ainsi possible de redéployer des modèles existants pour concevoir une stratégie de contrôle dans votre environnement préféré.
Découvrez comment Tata Steel a réalisé une économie énergétique de 40 % sur ses tours de refroidissement industrielles grâce à l'optimisation de sa stratégie de contrôle via un jumeau numérique.
Digitalisation
MathWorks peut vous aider à adopter et à implémenter des stratégies de données Big Data conformes aux besoins de votre entreprise. Vous pouvez utiliser les toolboxes et les architectures de référence prédéfinies de MATLAB pour simplifier un large éventail d'applications : intégration avec les systèmes informatiques de l'entreprise, le cloud et les infrastructures de données de production, mise à l'échelle de vos calculs sur des clusters ou encore déploiement de vos modèles sous forme d'applications pouvant être partagées avec des utilisateurs ne disposant pas de MATLAB.
Découvrez comment vous pouvez directement vous connecter aux systèmes AVEVA™ PI et mettre en œuvre une intelligence opérationnelle en temps réel.
Regardez comment Shell a adopté la digitalisation (29:14) grâce à MATLAB Production Server. Les ingénieurs de Shell ont automatisé leurs processus pour intégrer des données issues de plusieurs sources, construire des modèles et déployer leurs analyses dans le cloud et leurs systèmes d'entreprise.
Boucler la boucle avec le déploiement sur DCS
Les algorithmes MATLAB peuvent être intégrés à divers systèmes de contrôle distribués (DCS) avec Industrial Communication Toolbox. Cette toolbox permet d'accéder aux données OPC live et historiques directement depuis MATLAB et Simulink. Vous pouvez lire, écrire et consigner des données OPC à partir de dispositifs tels que des systèmes de contrôle distribués (DCS), des système de contrôle et d’acquisition de données en temps réel (SCADA) et des contrôleurs logiques programmables (PLC). Industrial Communication Toolbox vous permet également de travailler avec des capteurs Modbus, des données provenant de serveurs PI et d'autres systèmes d'historisation des données conformes aux normes OPC DA, HDA et UA.
Découvrez comment Genentech utilise MATLAB et Industrial Communication Toolbox pour créer une plateforme de développement d'algorithmes de contrôle de supervision pour les bioréacteurs.
« Le développement de notre propre système dans MATLAB et Simulink offre un autre avantage : nous pouvons capitaliser sur les connaissances et l'expertise organisationnelles accumulées par les ingénieurs de Johnson Matthey plutôt que de nous reposer sur la solution universelle d'une autre entreprise. »
Tim Watling, Johnson Matthey
Dites-nous quels sont vos besoins.
Contactez-nous pour une évaluation personnalisée et obtenez un devis correspondant à vos besoins.