|
Process Optimization Through Predictive Modelling
This presentation will be based on a recent case study: implementation of an automated recommender system to proactively readjust the chemical characteristics of a critical process feed stream when there is a process upset. The steps to implement operator tools to achieve this task will be described: selection of variables, building the soft-sensor model, and elaboration of tools and guidelines to decide the minimalistic process adjustments (heuristic rules and formal optimization solver). Recommendations to ensure the success of those types of projects will be shared with the audience.
About our speakers:
Vincent Béchard, MASc., Associate, Analytical Decision Specialist, since 2004, Vincent has been acting as an analytical decision-making consultant in the areas of modelling, simulation, and optimization of industrial operations. He delivers computer solutions and services to resolve bottlenecks and increase performance and assets utilization. His skills are based on statistics and data science, exploratory and predictive analytics, machine learning, Monte-Carlo and discrete event simulation, mathematical optimization, and Lean Six Sigma.
Dominic St-Onge, P.Eng., MBA, has nearly 20 years of experience in the pulp and paper industry as process engineer, superintendent, operational excellence leader and technical representative. He has worked on paper machines, various pulping processes and chemical applications. Among other things, he participated in major projects involving plant conversions. Since 2015, he has used his Black Belt training for the application of Lean Six Sigma processes along with statistical knowledge to bring technical problem solving to another level. Integrating DMAIC, advanced statistics and technical understanding of processes represents an interesting package for the development of successful solutions relating to predictive modelling.
Optimisation des processus grâce à la modélisation prédictive
Cette présentation sera basée sur une étude de cas récente : la mise en œuvre d'un système de recommandation automatisé pour réajuster de manière proactive les caractéristiques chimiques d'un flux d'alimentation de processus critique en cas de perturbation du processus. Les étapes de la mise en œuvre des outils de l'opérateur pour réaliser cette tâche seront décrites : sélection des variables, construction du modèle de capteur logiciel, et élaboration d'outils et de directives pour décider des ajustements minimaux du processus (règles heuristiques et solveur d'optimisation formelle). Des recommandations pour assurer le succès de ces types de projets seront partagées avec l'audience.
Nos conférenciers:
Vincent Béchard, M.Sc.A., Associé, Spécialiste Décision Analytique, depuis 2004, Vincent agit en tant que consultant en prise de décision analytique dans les domaines de la modélisation, de la simulation et de l'optimisation des opérations industrielles. Il fournit des solutions et des services informatiques pour résoudre les goulots d'étranglement et augmenter les performances et l'utilisation des actifs. Ses compétences reposent sur les statistiques et la science des données, l'analyse exploratoire et prédictive, l'apprentissage automatique, la simulation de Monte-Carlo et d'événements discrets, l'optimisation mathématique et Lean Six Sigma.
Dominic St-Onge, P.Eng., MBA, a près de 20 ans d'expérience dans l'industrie des pâtes et papiers en tant qu'ingénieur de procédé, surintendant, responsable de l'excellence opérationnelle et représentant technique. Il a travaillé sur des machines à papier, divers procédés de mise en pâte et des applications chimiques. Il a notamment participé à d'importants projets de conversion d'usines. Depuis 2015, il utilise sa formation Black Belt pour l'application des processus Lean Six Sigma ainsi que ses connaissances statistiques pour amener la résolution de problèmes techniques à un autre niveau. L'intégration de DMAIC, de statistiques avancées et de la compréhension technique des processus représente un ensemble intéressant pour le développement de solutions réussies relatives à la modélisation prédictive. |
