Cr

1

• Program for North American Mobility in Higher
  Education (NAMP)
• Introducing Process Integration for Environmental
  Control in Engineering Curricula (PIECE)

Module 8 Introduction à lIntégration des
Procédés Niveau 2
2
Résumé du projet

• Objectifs
• Créer des modules dapplication via internet pour
  aider les universités à présenter lintroduction
  de lIntégration des Procédés dans les programmes
  détudes en ingénierie
• Rendre ces modules largement disponibles dans
  chacun des pays participants
• Institutions participantes
• Deux universités dans chacun des trois pays
  (Canada, Mexique et États-Unis)
• Deux instituts de recherche dans différents
  secteurs de lindustrie pétrole (Mexique), pâtes
  et papiers (Canada)
• Chacune des six universités a parrainé 7 échanges
  détudiants durant la période de la bourse,
  subventionnée en partie par le gouvernement des 3
  pays.

3
Structure du Module 8

• Quelle est la structure de ce module ?
• Tous les modules sont divisés en 3 niveaux,
  chacun ayant un but spécifique
• Niveau 1 Information préliminaire
• Niveau 2 Application avec des études de cas
• Niveau 3 Problèmes avec structure de réponse
  ouverte
• Ces niveaux doivent être complétés dans cet ordre
  spécifique. Les étudiants seront questionnés à
  différents moments pour mesurer leur degré de
  compréhension, avant de passer au niveau suivant.
• Chaque niveau comprend un énoncé dintention au
  début et un quiz à la fin des Niveaux 1 et 2.

4
But du Module 8

• Quel est le but de ce module ?
• Le but de ce module est de couvrir les aspects de
  base des méthodes et outils de lIntégration des
  Procédés, et de situer lIntégration des Procédés
  dans une perspective plus vaste. Cette étape a
  été identifiée comme pré-requis pour les autres
  modules en relation avec lapprentissage de
  lIntégration des Procédés.

5
Niveau 2 Exemples solutionnés
6
Niveau 2 Objectifs

• Niveau 2 Énoncé dintention
• Le but de ce niveau est de démontrer des concepts
  et outils variés de lIntégration des Procédés en
  utilisant des exemples réels. Trois exemples
  seront donnés, se concentrant principalement sur
  trois outils de lIntégration des Procédés. À la
  fin du Niveau 2, létudiant devrait avoir une
  idée générale de ce quest
• Modélisation guidée par les données Analyse
  multivariable
• Analyse thermique du point dinvariance
• Contrôle et conception des procédés intégrés
  Analyse de commandabilité

7
Niveau 2 Contenu
Le Niveau 2 est divisé en trois sections 2.1
Exemple solutionné, utilisant la modélisation
guidée par les données, plus spécifiquement
lanalyse multivariable 2.2 Exemple solutionné,
utilisant lanalyse thermique du point
dinvariance 2.3 Exemple solutionné, utilisant le
contrôle et la conception des procédés intégrés,
plus spécifiquement lanalyse de
commandabilité Un court quiz à choix multiples
suivra à la fin de ce niveau.
8
Plan
2.1 Exemple solutionné 1 Modélisation guidée par
les données Analyse multivariable 2.2 Exemple
solutionné 2 Analyse thermique du point
dinvariance 2.3 Exemple solutionné 3 Contrôle
et conception des procédés intégrés Analyse de
commandabilité

9
Exemple solutionné 1 Modélisation guidée par les
données Analyse multivariable
10
2.1 Exemple solutionné 1 Modélisation guidée par
les données Analyse multivariable Rappel
Représentation graphique de MVA
Modèle statistique
(interne au logiciel)
Tmt X1 X4 X5 Rep Y avec Y sans
1 -1 -1 -1 1 2.51 2.74
1 -1 -1 -1 2 2.36 3.22
1 -1 -1 -1 3 2.45 2.56
2 -1 0 1 1 2.63 3.23
2 -1 0 1 2 2.55 2.47
2 -1 0 1 3 2.65 2.31
3 -1 1 0 1 2.45 2.67
3 -1 1 0 2 2.6 2.45
3 -1 1 0 3 2.53 2.98
4 0 -1 1 1 3.02 3.22
4 0 -1 1 2 2.7 2.57
4 0 -1 1 3 2.97 2.63
5 0 0 0 1 2.89 3.16
5 0 0 0 2 2.56 3.32
5 0 0 0 3 2.52 3.26
6 0 1 -1 1 2.44 3.1
6 0 1 -1 2 2.22 2.97
6 0 1 -1 3 2.27 2.92
.
.
.
.
.
.
.
.
.
.
.
.
Données brutes impossibles à interpréter
centaines de colonnes
milliers de rangées
11
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Statistiques de base

• On considère que létudiant est familier avec
  les concepts statistiques de base suivants
  moyenne, médiane, mode déviation standard,
  variance normalité, symétrie degré
  dassociation, coefficients de corrélation R2,
  Q2, F-test importance des différences, t-test,
  Khi-carré valeurs et vecteurs propres
• Les tests statistiques aident à caractériser un
  ensemble de données existantes. Ils NE vous
  permettent PAS de faire des prédictions à propos
  de données futures. Pour cela nous devons nous
  référer aux techniques de régression

Régression

• Prendre un ensemble de points de données, chacun
  étant décrit par un vecteur de valeurs (y, x1,
  x2, xn)
• Trouver une équation algébrique qui exprime le
  mieux la relation entre y et les xi's
• Y b1x1 b2x2 bnxn e
• Exigences des données données normalisées,
  erreurs normalement réparties avec une moyenne
  nulle et des variables indépendantes non corrélées

12
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable (MVA
Multivariate Analysis)
Types de MVA
Types de données de sortie MVA

• Le logiciel MVA génère deux types de données de
  sortie résultats et diagnostiques
• Résultats diagrammes des cotes,
• diagrammes des charges
• Diagnostiques graphique des résidus,
• observé vs. prédit et plusieurs autres

Q1
Q2
13
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable (PCA
Principal Component Analysis)
Élément principal de lanalyse PCA
Considérez ces poissons. Nous pourrions mesurer,
pour chaque poisson, sa longueur et sa largeur.
En supposant que 50 poissons ont été mesurés, un
graphique ressemblant à celui montré à la figure
2 pourrait être obtenu. Il y a une relation
évidente entre la longueur et la largeur, plus le
poisson est long, plus il est large.
Reference Manchester Metropolitan University
14
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable PCA

• Déplacer les axes pour que leur point d'origine
  soit maintenant centré sur le nuage de points
  c'est un changement dans l'échelle de mesure.
  Dans ce cas les moyennes pertinentes ont été
  soustraites de chaque valeur.

• En fait, l'axe majeur est une nouvelle variable,
  la taille. Dans son expression la plus simple,
  taille longueur largeur
• ? combinaison linéaire de deux variables
  existantes, auxquelles on a donné un poids égal
• Supposons que nous considérons la longueur plus
  importante que la largeur dans la détermination
  de la taille. Dans ce cas nous pourrions utiliser
  les poids ou les coefficients pour introduire les
  contributions différentielles taille 0.75 x
  longueur 0.25 x largeur
• Par commodité, nous devrions normalement tracer
  le graphique avec l'axe X horizontal, ce qui
  donnerait l'apparence d'une rotation des points
  plutôt que des axes.

Reference Manchester Metropolitan University
15
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable PCA

• Un critère pour le second axe est qu'il devrait
  tenir compte autant que possible de la variation
  restante. Cependant, il devrait également être
  non corrélé (orthogonal) avec le premier.

• Dans cet exemple, les longueurs et les
  orientations de ces axes sont données par les
  valeurs propres et les vecteurs propres de la
  matrice de corrélation. Si nous retenions
  seulement la variable 'taille', nous retiendrions
  1.75/2.00 x 100 (87.5) de la variante originale.
  Par conséquent, si nous supprimions le second axe
  nous perdrions 12.5 de l'information originale.

Reference Manchester Metropolitan University
16
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Projection pour les structures latentes (PLS)

• La projection pour les structures latentes (PLS)
  amène un ensemble de composantes orthogonales qui
  
• maximise le niveau d'explications à la fois de X
  et Y
• fournit une équation prévisible pour Y en termes
  des X's
• Ceci est accompli en
• fixant un ensemble de composantes à X (comme dans
  PCA)
• fixant de la même façon un ensemble de
  composantes à Y
• réconciliant les deux ensembles de composantes
  pour maximiser l'explication de X et Y
• Linterprétation des résultats de PLS a toutes
  les mêmes difficultés que celle de PCA, plus une
  autre donner un sens aux composantes
  individuelles à la fois dans les espaces X et Y.
  En dautres mots, pour que les résultats aient du
  sens, la première composante en X doit être
  reliée dune façon quelconque à la première
  composante en Y

17
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Énoncé du problème
Jetons un coup dœil à un moulin à papier journal
typique, à pâte thermomécanique intégrée (TMP),
en Amérique du Nord. Le gérant du moulin de cette
usine reconnaît qu'il y a trop de données à
considérer et qu'il y a un besoin d'évaluer la
qualité de leur produit final, c.a.d le papier.
Il décide d'utiliser l'analyse multivariable pour
obtenir autant d'informations que possible à
partir de l'ensemble des données et pour essayer
de déterminer les variables les plus importantes
qui pourraient avoir un impact sur la qualité du
papier, pour pouvoir classer la qualité du
produit final. Le gérant du moulin décide de
regarder d'abord la portion raffinage du procédé
de mise en pâte.
18
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Variables X et Y

• Variables X
• Copeaux entrants distribution de la taille,
  densité en vrac, humidité
• Données opérationnelles du raffineur débit
  répartition de l'énergie entre les raffineurs
  primaire et secondaire taux de dilution
  niveaux, pressions et températures dans les
  différentes unités reliées directement aux
  raffineurs voltage des convoyeurs à vis pour
  copeaux température du corps du raffineur
• La saison, représentée par la température
  moyenne mensuelle mesurée à une station
  météorologique avoisinante

• Variables Y
• Les données sur la qualité de la pâte après le
  cuvier de latence (automatisé, analyse en ligne
  des échantillons saisis) les paramètres
  standards de l'industrie incluant la distribution
  de la longueur des fibres, l'égouttage, la
  consistance et le degré de blancheur

19
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Résultats
Ceci est la représentation graphique de R2 et Q2
pour le modèle. Les valeurs de R2 nous disent que
la première composante explique 32 de la
variabilité des données initiales, la seconde un
autre 7 et la troisième un autre 6. Les
valeurs de Q2 sont plus basses. Ceci signifie que
la puissance prévisible du modèle est d'environ
40 en utilisant les trois composantes. Ceci peut
sembler bas, mais normal pour les données réelles
du procédé.
20
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Interprétation des résultats Diagramme des cotes
AutomneHiver Printemps Été
21
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Interprétation des résultats Diagramme des
charges
Figure 13
22
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Interprétation des résultats

• Première composante
• La première composante correspond au débit
  plusieurs variables du procédé sont reliées
  directement ou indirectement au débit. Vous
  souvenez-vous que nous avons dit que la première
  composante était quelque chose qui variait à
  lintérieur dune même saison?
• Deuxième composante
• La deuxième composante explique seulement 7 de
  la variabilité totale. Elle est cependant plus
  confuse  que la première composante, et elle
  sera moins facile à interpréter. Il est aussi
  possible d'observer que les trois années étaient
  séparées pour ce qui est de cette deuxième
  composante
• Un indice majeur apparaît dans la prédominance
  des deux volets importants et reliés
  consommation d'agent de blanchiment et degré de
  blancheur de la pâte. Ceci suggèrerait que
  peut-être le degré de blancheur des copeaux de
  bois entrants était différent d'une année à
  l'autre, demandant plus de blanchiment pour
  obtenir une pâte moins blanche
• Remarquez aussi que la saison est
  prédominante. Ceci peut être observé avec la
  séparation évidente des saisons sur le diagramme
  des cotes. Ceci suggère que les copeaux de
  l'hiver sont moins brillants que ceux de l'été
• Troisième composante
• La troisième composante explique seulement 6 de
  la variabilité totale
• La troisième composante est reliée à la période
  de lannée. Une interprétation raisonnable
  pourrait être que les copeaux de lété diffèrent
  des copeaux de lhiver d'une certaine façon autre
  que le degré de blancheur, ce qui a déjà été
  couvert par la deuxième composante. Ceci pourrait
  être, par exemple, la facilité avec laquelle les
  fibres de bois peuvent être séparées les unes des
  autres.

23
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Résumé des résultats de PCA
En utilisant PCA, nous avons déterminé que 45 de
la variabilité dans les 130 variables initiales
peuvent être représentés en utilisant seulement 3
nouvelles variables ou composantes. Ces trois
composantes sont orthogonales, signifiant que la
variation entre chacune se produit indépendamment
des autres. En dautres mots, les nouvelles
composantes nont pas de corrélation entre elles.
24
2.1 Exemple solutionné 1 Modélisation guidée par
les données - Analyse multivariable
Carte de référence de la qualité
X
X
X
Figure 14
25
Plan
2.1 Exemple solutionné 1 Modélisation guidée
par les données Analyse multivariable 2.2
Exemple solutionné 2 Analyse thermique du point
dinvariance 2.3 Exemple solutionné 3 Contrôle
et conception des procédés intégrés Analyse de
commandabilité

26
Exemple solutionné 2 Analyse thermique du point
dinvariance
27
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance - Rappel
Qu'est-ce que l'analyse thermique du point
d'invariance?
Coûts des services chutent
Utilisation des services
Coûts en rapport avec le domaine des échanges
grimpent
Échanges internes
De 100 services...
... à 100 échanges internes
28
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance
Qu'arrive-t-il ave un site entier ?
Qu'arrive-t-il avec le site entier?
Au moins 40 jets de chaud à frais
Au moins 40 courants pour chauffer et refroidir

• Exemple chaudière de récupération
• Solution évidente préchauffer l'eau fraîche qui
  entre, avec le condensé chaud qui sort de la
  chaudière

Figure 15
29
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance
Simulation
?Tmin
30
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance
Courbes composites
31
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance
Intégration de masse Courbes composites pour la
prévention de la pollution
Figure 18
Figure 17
32
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance
Énoncé du problème
Dans une firme de consultants, un ingénieur de
procédés est engagé par une raffinerie de pétrole
pour concevoir les unités conventionnelles
atmosphériques de fractionnement du brut, comme
illustré à la figure 19. L'objectif principal de
ce projet est de minimiser la consommation
d'énergie en utilisant l'analyse thermique du
point d'invariance. L'usine utilise présentement
75000 kW en services de chauffage. Dans cet
exemple, l'emphase sera mise sur la construction
des courbes composites avec l'objectif
d'identifier les opportunités d'économies
d'énergie.
gasoil
33
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance
Extraction des données
34
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance Courbes composites
1. Triez en ordre ascendant les températures de
courants chauds, en omettant les températures
communes
En utilisant les données ci-haut, nous formons
des intervalles de températures pour le procédé
35
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance Courbes composites
2. Additionnez le CP de chaque courant présent
dans chaque intervalle de température
36
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance Courbes composites
3. Calculez lenthalpie nette pour chaque
intervalle de température
37
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance Courbes composites
4. Obtenez lenthalpie accumulée pour chaque
intervalle de température
38
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance Courbes composites
5. Tracez le graphique des données de température
sur laxe Y vs. lenthalpie accumulée sur laxe X
39
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance Courbes composites
La construction de la courbe composite froide est
identique à celle de la courbe composite chaude
40
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance Courbes composites

• Cette représentation réduit le procédé entier en
  un courant combiné de chaud et de froid

• La récupération de la chaleur entre les courbes
  composites peut être augmentée jusquà ce que
  nous atteignions DTmin. Les courbes composites,
  exactement comme des courants individuels,
  peuvent être déplacées horizontalement sur le
  diagramme T-H sans causer de changements au
  procédé, parce que H est une fonction détat

• Ceci établit les exigences minimales de
  chauffage (QHmin) et de refroidissement (QCmin)
  des services, pour le procédé entier et la
  récupération maximale possible de chaleur entre
  procédés

41
2.2 Exemple solutionné 2 Analyse thermique du
point dinvariance
Résumé des résultats

• Comme montré dans les diapositives précédentes,
  du diagramme température-enthalpie, nous pouvons
  déterminer trois éléments utiles dinformations
• La quantité de récupération de chaleur possible
  entre procédés, représentée par lespace entre
  les deux courbes composites
• L'exigence ou l'objectif du service de chauffage
  57668 kW
• L'exigence ou l'objectif du service de
  refroidissement 30784 kW

Les courbes composites sont dexcellents outils
pour apprendre les méthodes et comprendre la
situation énergétique globale, mais une
consommation minimale dénergie et le point
d'invariance de la récupération de la chaleur
sont plus souvent obtenus par des procédures
numériques. Cette méthode est appelée algorithme
du tableau de problèmes. Typiquement, elle est
basée sur les notions de cascade calorifique.
Q5
Q6
42
Plan
2.1 Exemple solutionné 1 Modélisation guidée
par les données Analyse multivariable 2.2
Exemple solutionné 2 Analyse thermique du point
d'invariance 2.3 Exemple solutionné 3 Contrôle
et conception dun procédé intégré Analyse de
commandabilité
43
Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
44
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
- Rappel
Principes fondamentaux
RÉSILIENCE DU PROCÉDÉ
Variables dentrée
Boucle de contrôle
Perturbations
Variables dentrée (manipulées)
Procédé
Interactions internes
Variables de sortie (contrôlées et mesurées)
Incertitudes
FLEXIBILITÉ DU PROCÉDÉ
Figure 25
45
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Eau F1,C1
CC
FC
C, F
Pâte F2,C2
Figure 26
ENTRÉES (variables manipulées ou perturbations)
SORTIES (meilleure sélection par lanalyse de
commandabilité)
EFFETS
46
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
_
u1
y1


F11
C1
y1
y1sp

F21
F12

y2
y2sp
u2
y2

F22
C2

_
Figure 27
47
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Expérience 1 Changement de stade dans u1 avec
toutes les boucles ouvertes
ss
Du1
Figure 28
Effet principal
48
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Expérience 2 Changement de stade dans u1 avec
toutes les boucles fermées
Du1
ss
Figure 29
Effet principal
Effet total
Effet interactif
49
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Gain relatif (RG Relative Gain) et Matrice de
gain relatif (RGA Relative Gain Array)
?11 mesure de lampleur de linteraction en
régime permanent, en utilisant u1 pour contrôler
y1, tout en utilisant u2 pour contrôler y2
Effet principal (1ère expérience)
Effet total (2e expérience)
Gain relatif
Matrice de gain relatif
y1
yi
u1
uj
50
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Sélection des boucles utilisant RGA Comment
sélectionner la configuration avec une
interaction minimale
Tableau 8
yi Variable contrôlée uj Variable manipulée
51
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Autres indices de commandabilité

• Niederlinski (NI) indice de stabilité du
  système
• Indice de conditionnement (CN Condition Number)
  et Indice de conditionnement des perturbations
  (DCN Disturbance Condition Number) mesure de
  sensibilité
• Gain relatif des perturbations (RDG Relative
  Disturbance Gain) indice qui donne une idée de
  linfluence des interactions internes sur leffet
  des perturbations
• Autres Décomposition en valeurs singulières
  (SVD Singular Value Decomposition)

52
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Énoncé du problème
Dans cette étude de cas, lingénieur en contrôle
des procédés est invité à créer un modèle de
procédé de mise en pâte thermomécanique, pour
trouver la meilleure sélection de contrôles de
procédé et le jumelage variable pour une usine
qui na pas encore été construite. Considérez la
configuration simplifiée de la boucle courte de
la machine à papier journal représentée sur la
figure 30. Les techniques de jumelage variable
seront appliquées aussi bien que lutilisation
des indices de commandabilité.
Figure 30
53
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
contrôlées
Énoncé du problème
manipulées
perturbations
Pfin Fines retained
54
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Perturbations
C
Fines
Contrôlé
BR
Manipulé
Figure 31
55
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Matrices de gains du procédé et commandabilité en
régime permanent


Gd
Gp
Manipulé
Contrôlé
Perturbations
?
56
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Figure 32
57
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Indices de commandabilité (1)

• Indice de Niederlinski (NI) ? Considérations de
  stabilité
• NI lt 0. Le système sera instable sous des
  conditions de boucle fermée
• NI gt 0. Le système est stabilisable (fonction des
  paramètres de contrôle)
• Indice de conditionnement (CN) ? Sensibilité à
  lincertitude du modèle
• CN lt 2. Les effets multivariables de
  lincertitude ne semblent pas être sérieux
• CN gt 10. Procédé MAL CONDITIONNÉ

NI0.73
CN713
58
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Indices de commandabilité (2)

• Indice de conditionnement des perturbations (DCN)
  ? laction prise par la variable manipulée
  est-elle grande ou petite?
• 1 DCN CN
• Gain relatif des perturbations (RDG) ? Parmi les
  boucles, linteraction interne est-elle favorable
  ou non favorable pour rejeter les perturbations?
• RDG lt2 . Les interactions internes réduisent
  leffet de la perturbation

DCN for Cpâte fraîche 9.2 DCN for finespâte
fraîche 4.6
? Il est plus difficile de rejeter un changement
soudain dans la consistance de la pâte fraîche
Leffet des deux perturbations, C et fines dans
la PÂTE FRAÎCHE, est réduit par les interactions
internes. Tous les RDGs sont lt2
59
2.3 Exemple solutionné 3 Contrôle et conception
dun procédé intégré Analyse de commandabilité
Conclusion

• Configuration de la structure de contrôle les
  résultats RGA ont confirmé limplantation
  courante dans les moulins à papier journal
• Les interactions internes susmentionnées de la
  configuration réduisent leffet des perturbations
  sur les variables de sortie
• Le procédé est mal conditionné. Lincertitude du
  modèle peut être largement amplifiée
• Les indices de résilience, DCN et RDG, peuvent
  être utilisés pour tenir compte du rejet de la
  perturbation dans les procédés du papier journal

60
Fin du Niveau 2

• C'est la fin du Niveau 2. À ce moment-ci, nous
  assumons que vous avez tout lu. Vous devriez
  avoir une très bonne idée de ce qu'est
  l'Intégration des Procédés aussi bien qu'une
  connaissance de base de l'analyse multivariable,
  de l'analyse thermique du point d'invariance et
  de l'analyse de commandabilité. Pour plus
  d'informations sur les outils présentés dans le
  Niveau 2, aussi bien que sur les autres outils de
  lIntégration des Procédés, présentés dans le
  Niveau 1, s.v.p. consulter les diapositives de
  référence des Niveaux 1 et 2.
• Avant de passer au Niveau 3, un court quiz à
  choix multiples suivra.

61
QUIZ
62
Niveau 2 - QUIZ
Question 1

• Quelle est la principale utilisation de lanalyse
  des composantes?
• Comprendre les relations entre les variables d'un
  système
• Identifier les composantes ayant une influence
  sur un ou plusieurs résultats
• Prédire certains résultats
• Maximiser la covariance d'un ensemble de variables

2 et 3
1 et 3
1
3
1 et 2
1,2 et 3
63
Niveau 2 - QUIZ
Question 2

• Associez chaque résultat de lanalyse
  multivariable au genre dinformation quil
  fournit à lutilisateur.
• Diagramme des résidus A. Montre tous les points
  des données initiales dans un nouvel
  ensemble de coordonnées ou de composantes
• 2. Diagramme des cotes B. Montre la distance
  entre chaque observation réelle dans
  lensemble de données et la valeur prévisible
  basée sur le modèle
• 3. Observé vs. Prédit C. Montre lexactitude de
  la prévision
• 4. Diagramme des charges D. Montre comment
  chaque variable est étroitement liée
  avec chaque nouvelle composante

1B, 2A, 3C, 4D
1D, 2B, 3A, 4C
1C, 2D, 3A, 4B
1B, 2C, 3D, 4A
1A, 2D, 3B, 4C
1B, 2D, 3C, 4A
64
Niveau 2 - QUIZ
Question 3
Les longueurs et orientations des axes obtenus
avec un PCA sont données par les valeurs propres
et les vecteurs propres de la matrice de
corrélation. Supposons que les variables de
longueur et de largeur ont un coefficient de
corrélation plus bas que dans l'exemple donné à
la diapositive 13, et que nous obtenons les
valeurs propres montrées dans la figure
ci-dessous. Si nous omettions le deuxième axe,
quel pourcentage de l'information originale
perdrions-nous?
12,5
75
25
62,5
37,5
0
65
TIER II - QUIZ
Question 4
Dans le contexte de l'analyse thermique du point
d'invariance, quel est le courant chaud? 1. Un
courant de procédé qui a besoin d'être chauffé 2.
Un courant de procédé avec une très haute
température 3. Un courant de procédé qui est
utilisé pour produire de la vapeur 4. Un courant
de procédé qui a besoin d'être refroidi
1
3
2
4
66
TIER II - QUIZ
Question 5
Une analyse thermique du point d'invariance a été
effectuée dans une usine et le DTmin a été établi
à 40ºC. Si une autre usine avait à être
construite avec un Dtmin plus bas, comment les
coûts d'énergie correspondants pourraient-ils
être comparés à la première usine?
Plus hauts
Plus bas
Resteraient les mêmes
67
Niveau 2 - QUIZ
Question 6

• Lesquels des énoncés suivants sont vrais?
• La consommation dénergie minimale et la
  récupération de chaleur du point dinvariance
  sont plus souvent obtenues par des courbes
  composites
• Les courbes composites, tout comme les courants
  individuels, peuvent être déplacés
  horizontalement sur le diagramme T-H sans causer
  de changements au procédé
• La chaleur peut parfois être transférée au
  travers du point dinvariance
• Avec l'aide de ?Tmin et les données thermiques,
  l'analyse du point d'invariance fournit une cible
  pour la consommation minimale de l'énergie

2 et 3
2 et 4
1 et 3
3 et 4
1 et 2
Toutes ces réponses
68
Niveau 2 - QUIZ
Question 7
Associez chaque outil ou indice de commandabilité
avec le genre d'information fourni à
l'utilisateur
1. Indice de Niederlinski 2. Gain relatif des
perturbations 3. Indice de conditionnement 4.
Matrice de gain relatif

• Montre l'importance des interactions dans un
  système
• Évalue la sensibilité des réponses aux problèmes
  des erreurs à l'entrée
• Inclut les perturbations dans l'analyse des
  interactions
• Débat de la stabilité de la configuration d'un
  contrôle en boucle fermée

1B, 2A, 3C, 4D
1D, 2B, 3A, 4C
1C, 2D, 3A, 4B
1B, 2C, 3D, 4A
1A, 2D, 3B, 4C
1D, 2C, 3B, 4A
69
Niveau 2 - QUIZ
Question 8
Dans la matrice de gain relatif montrée sur la
diapositive 54, qu'est-ce que les valeurs 1.566
et 1.603 pour le jumelage de F40 et C34, et Pfin
et Ret, vous révèlent? 1. Il ny a pas
dinteraction avec les autres boucles de contrôle
2. Leffet interactif est plus important que
leffet principal 3. Lentrée manipulée na pas
deffet sur la sortie 4. Les interactions des
autres boucles sont opposées dans la direction,
mais plus petites en magnitude que leffet de la
boucle principale 5. Le jumelage est
recommandé 6. Le jumelage n'est pas recommandé
1 et 5
4 et 5
3 et 6
2 et 5
2 et 6
4 et 6
70
Niveau 2 - QUIZ
Question 9

• Lesquels de ces énoncés suivants sont faux?
• Le contrôle de laction directe compense pour les
  perturbations non mesurables
• Le contrôle de la rétroaction compense pour les
  perturbations mesurables
• La résilience est le degré avec lequel un système
  de procédés peut rencontrer ses objectifs de
  conception en dépit des incertitudes dans ses
  paramètres de conception
• La flexibilité est le degré avec lequel un
  système de procédés peut rencontrer ses objectifs
  de conception en dépit des perturbations externes

2 et 3
2 et 4
1 et 3
3 et 4
1 et 2
Toutes ces réponses
71
Niveau 2 - QUIZ
Réponses
Question 1 1 et 2 Question 2 1B, 2A, 3C,
4D Question 3 37,5 Question 4 4 Question 5 Plus
bas Question 6 2 et 4 Question 7 1D, 2C, 3B,
4A Question 8 4 et 5 Question 9 Toutes ces
réponses