www.pepite.be
Des données àla performance PEPITe aide ses clients à définir rapidement des actions d amélioration par le traitement de gros volumes de données issues des procédés industriels Ces actions visent à : Faire un usage optimal des actifs par une meilleure compréhension et prévision du comportement des indicateurs de performance clés Accroître l efficience des procédés par une identification objective des points faibles et des causes racines de dysfonctionnements récurrents des lignes de fabrication Réduire les risques d exploitation en identifiant les facteurs clés à l origine de toute variabilité des procédés/produits
Historiques données process Données financières ERP www Données qualité Benchmark CMMS GMAO Gagnez en compétitivité via vos données EXISTANTES! Bénéfices typiques (énergie) : 5 à 10% de réduction des coûts énergétiques totaux (contrôle amélioré, optimisation des équipements) 1 à 5% de gain dans l efficacité des equipements (chaudières, pompes) Fiabilité des équipements améliorée (maintenance prédictive, alarmes intelligentes) Contraintes environnementales surveillées (émissions CO2, NOx, SOx, etc.) Pas d investissement CAPEX Période ROI courte
Equipe : - Ingénieurs process & IT - Réseau de partenaires Marchés ciblés Services spécialisés Expertise : -Industrie -Energie Outils dédiés Technologies : -LogicielPEPITo - Logiciels tiers
ENERGY ENERGY Services Services Services Services Produits Produits Produits Produits PEPITo (PEPITe) / VALI (Belsim) / WITNESS (Lanner) / SENERGY (IFCS)
Historian edna edna (INSTEP) Logiciel Logiciel VALI VALI (Belsim) Logiciel Logiciel PEPITo Logiciel Logiciel WITNESS (Lanner) Logiciel Logiciel SENERGY (IFCS) (IFCS)
Des données à la connaissance Processus > 3000 variables Régimes opératoires, stratégies de contrôle, diagrammes causes/effets Analyse du système 50-200 variables Analyse statistique univariée et exploration multivariée Analyse multivariée avancée Exploration des données Modélisation Comprendre Améliorer Rendre durable 20-50 variables < 10 variables
Par quoi commencer? Go/No Go Go/No Go Go/No Go Diagnostic Projet Transfert connaissance Support & maintenance Identification opportunités à haute valeur ajoutée Inventaire données & connaissances Définition KPIs Définition BD Collecte données Validation & exploration données Modélisation Formation Logiciels spécifiques Mises à jour logicielles Formation & support avancé Veille technologique
Exemple 1 (P&P) Optimisation énergétique Plant objective: Reduce energy costs by optimizing heat recovery to achieve and sustain higher energy performance PEPITe s solution: Develop and implement an energy monitoring structure based on data-driven models and intelligent alarms Benefits: Better understanding of energy cost drivers Recurrent annual savings of 600 000 $ per year, eq. 3$/ton without any additional cost or investment 9
Level 1: Monitoring of GJ/day Measured The way the mill use to track steam consumption. 10
Level 1: Monitoring of GJ/day Measured Outside air temperature Mill water temperature non controllable variables Paper production has a minor impact. Root causes analysis of consumption variations. 11
Level 1: Monitoring of GJ/day Abnormalities Measured Predicted by the model Paper machine shutdowns The model based on outside air and mill water temperatures gives the normal GJ/day 12
Monitoring of real energy drift Abnormal high consumption Normal high consumption Measured Model The model based on outside air and mill water temperatures gives the normal GJ/day
Level 3: Heat recovery model for optimal operation Good: > 1.1 (t/h) / MW Bad: < 1.1 (t/h) / MW 1 6 Key variables: 2 3 4 5 6 regimes identified (based on 3 key variables) and used for intelligent alarms 14
Cumulative gain based on the monitoring model for GJ/day unexpected end of the drift data analysis results of analysis: new operation rules for higher process efficiency beginning of unexpected drift sustainable gain CUSUM of difference between actual and predicted consumption period of unexpected higher performance $600,000/yr of recurrent energy costs savings 15 Project ROI = 2 months
Exemple 2 (Steel) Réorientation Brames Processus logistique d entreposage des brames d acier à la sortie des coulées continues (CCs) avant leur traitement possible au laminoir à chaud (TLB) Mission PEPITe : améliorer les décisions de réorientation logistique des brames au moyen d une analyse intelligente des données captées sur la phase à chaud (ERP, aciérie et coulées continues)
Phase à Chaud de Liège Ferraille Cokerie Charbon Seraing Coke Hauts-fourneaux B 6 Aciérie Minerais Agglomération Fonte Chertal Castine Ougrée Sinter Ougrée - Seraing Acier liquide Parc à Brames Laminoir à Chaud (TLB) Coulées Continues (CCs) Bobines Brames Chertal Chertal
Contexte En sortie des coulées, l orientation à donner aux brames est déterminée par un processus de préaffectation lancé durant l étape d oxycoupage : Une brame «pré-affectée» est une brame qui est bien affectée à son ordre de fabrication (OF) initial Une brame «non pré-affectée» est une brame qui ne convient plus à l OF initialement prévu Selon le résultat de la pré-affectation, les brames sont entreposées à différents endroits dans le parc àbrames: Brames pré-affectées et à enfourner à chaud Hall 1 Brames pré-affectées et bonnes à enfourner Hall 2 Brames non pré-affectées Halls de conditionnement ou pelouses
Contexte Four de réchauffe Laminoir à chaud (TLB) En sortie de la coulée continue (étape d oxycoupage), le processus de pré-affectation détermine vers quel entrepôt il convient d orienter les brames : 1. Les brames devant rapidement être traitées (les brames à enfourner à chaud ) sont orientées vers le Hall 1 2. Les brames bonnes à enfourner sont orientées vers le Hall 2 Hall 1 3. Les brames qui n ont pu être pré-affectées sont orientées vers les halls de conditionnement (ou les pelouses) en attente du résultat du processus d affectation Amélioration recherchée : 1 2 Hall 2 4 Il est fréquent que le processus d affectation décide en différé qu une brame préalablement non pré-affectée doive être réorientée vers le laminoir à chaud (chemin 4) Cette brame aurait donc pu être directement stockée dans le Hall 2 suite au processus de pré-affectation Coulées continues (CCs) 3 Halls de conditionnement ou pelouses
Approche Client-PEPITe Idée de principe : Identifier parmi les brames non préaffectées celles qui ont une haute probabilité d être requalifiées en «bonnes à enfourner» par le processus d affectation Orienter dès le départ ces brames vers le hall 2 après oxycoupage et non plus inutilement vers les halls de conditionnement ou les pelouses
Analyse de données menée Exemple de règle de décision extraite durant l étape de modélisation IF N OT Pre-allocated AND N D IF 10T < Slab Weight < 21,2T A N D IF Slab Type is «I», «J» or «M» A N D IF Steel Grade is 016/021/022/032/045/056/064/065/609/613/614/643 A N D IF 7500 m m < Slab length < 10900 m m A N D IF 929 m m < Slab width < 1600 m m A N D IF Casting speed > 100 THEN Slab is ready to go in the reheating furnace
Bénéfices Indicateur de mesure : Tonnes non pré-affectées mais réorientées vers le Hall 2 (brames bonnes à enfourner ) Unité de mesure : tonne/mois Formule de calcul : (V-R)*(2*0.9+225*0.085/12) Commentaires : - Manutention : 2 * 0.9 /T = coût manutention par stacker (dépose et reprise sur pelouse) - Délais : 225 /T * 0.085/12 = 1.6 /T car en retard > 2 semaines pour programmation au TLB
Bénéfices 1. Economies réalisées : Réduction des coûts de 3 /T pour chaque brame correctement réorientée par le processus d affectation Soit, une économie de 200 K par année CAPEX nul ROI quasi immédiat!
Bénéfices 2. Bénéfices généraux : Meilleure compréhension et maîtrise des processus de pré-affectation et d affectation Redescription objective de ces deux processus par des règles de décision exploitables au niveau des opérateurs Eclaircissement général des problématiques de flux logistique rencontrées sur le site de Chertal
Références
Contacts PEPITe S.A. Rue Paul Devaux, 3 B-4000 Liège Belgique Dominique ARCHAMBEAU Senior Account Manager GSM : +32 (0) 498 83 09 34 E-mail : d.archambeau@pepite.be