Méthodes statistiques et variationnelles de modélisation préalable au contrôle de procédés industriels - Université de Lorraine Accéder directement au contenu
Thèse Année : 2021

Statistical and variational modeling methods prior to industrial processes control

Méthodes statistiques et variationnelles de modélisation préalable au contrôle de procédés industriels

Résumé

In this thesis, we aim to propose a methodology for analyzing industrial processes based on a large quantity of process data with statistical and variational methods. The objective is to identify the key factors which ensure the good functioning of industrial processes. It is a preliminary step for the automatic generation of process control law from the collected data. In the first part of this thesis, we presented the statistical analysis of a process of Saint-Gobain. At first, we applied some classical statistical tools (Principal component analysis, clustering and so on) to the process data, and linked the obtained information with the functioning of the process. Then, we analyzed a product quality measure (called target) with the collected process parameters. The target is weakly correlated with the parameters, so the hypothesis of linear model is rejected. A restricted list of parameters which contribute to the explaination of the target was identified by the statistical methods and validated by our industrial interlocutors. Afterwards, we tested a non-linear model method: the generalized additive model (GAM). The introduction of the non-linear terms improved the performance of our model, but it remained insufficient for the future applications. Following the intuition of the process engineers and operators, we focused on a noisy signal, tracked regularly in the plants, characterizing the good functioning of the process, and restoring the missing information of this signal may improve the model. In the second part of this thesis, we developed a total variation restoration method with an automatic choice of hyper-parameter. Furthermore, our proposition of hyper-parameter has a similar performance as the existing methods, and our estimation method of both hyper-parameter and restoration is well fitted for the real time processing of a large quantity of data. Based on the proposed method, we have developed some applications of pattern restoration and discontinuities detection for several industrial processes.
Dans cette thèse, nous cherchons à proposer une méthodologie pour analyser des procédés industriels à partir des données procédé collectées à l'aide de méthodes statistiques et variationnelles. L'objectif est d'identifier les facteurs clés garantissant le bon fonctionnement des procédés industriels en vue de la proposition de lois de contrôle de ceux-ci. La première partie présente les résultats d'analyses statistiques appliquées aux paramètres d'un procédé de Saint-Gobain. Nous avons d'abord analysé les données procédé à l'aide d'outils statistiques classiques (l'analyse en composantes principales, la classification non-supervisée, etc.) et cherché à relier les informations ainsi obtenues au fonctionnement du procédé. Puis, nous avons analysé une mesure de qualité du produit final (appelée cible) en fonction des paramètres opératoires. La cible étant faiblement corrélée avec les paramètres enregistrés, l'hypothèse du modèle linéaire est rejetée. Un ensemble restreint des paramètres contribuant à l'explication de la cible a été identifié par les méthodes statistiques utilisées, ce qui a été d'ailleurs validé auprès de l'expert procédé. Ensuite, nous avons testé les modèles additifs généralisés (GAM) en introduisant la non-linéarité dans la modélisation, ce qui a amélioré la performance de nos modèles. Mais les modèles proposés restent insuffisants pour les futures applications. D'après l'intuition des opérateurs et de l'ingénieur process impliqués, un des signaux clés du fonctionnement du procédé était fortement bruité, et une des pistes développées pour améliorer la performance de nos modèles a été de reconstituer les informations manquantes de celui-ci. Pour cela, dans la deuxième partie de la thèse, nous avons développé des méthodes (hors ligne et en ligne) de restauration par la régularisation de variation totale avec la détermination automatique de l'hyper-paramètre. Notre méthode d'estimation de l'hyper-paramètre a une performance similaire aux méthodes existantes dans les littératures scientifiques. Notre méthode pour estimer à la fois la restauration et l'hyper-paramètre est adaptée au traitement d'une grande quantité de données en temps réel. Des applications d'analyse de motifs et de détection de ruptures ont ensuite été développées pour plusieurs procédés industriels.
Fichier principal
Vignette du fichier
DDOC_T_2021_0086_LIU.pdf (3.26 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03274049 , version 1 (29-06-2021)

Identifiants

  • HAL Id : tel-03274049 , version 1

Citer

Zhanhao Liu. Méthodes statistiques et variationnelles de modélisation préalable au contrôle de procédés industriels. Mathématiques [math]. Université de Lorraine, 2021. Français. ⟨NNT : 2021LORR0086⟩. ⟨tel-03274049⟩
121 Consultations
220 Téléchargements

Partager

Gmail Facebook X LinkedIn More