Conception de nouveaux outils pour le contrôle en temps réel de la qualité des produits en vue d’une fabrication durable

Dans l'ère de l'Industrie 4.0, le contrôle en temps réel des processus et de la qualité est crucial pour optimiser la production, minimiser les déchets et améliorer la durabilité. La chimiométrie joue un rôle clé en exploitant de grandes quantités de données pour une prise de décision basée sur les données. La régression par moindres carrés partiels (PLS) est largement utilisée pour la prédiction en temps réel de la qualité, une étape essentielle du suivi des processus industriels. Cependant, lorsque l'on travaille avec des données collectées à différentes étapes d'un processus ou contenant des informations qui ne reflètent pas précisément les variations pertinentes du processus lui-même, la PLS peut rencontrer des défis importants en raison de fortes non-linéarités et de la présence de valeurs aberrantes sévères. Ces problèmes peuvent nuire à la performance prédictive. De plus, la nécessité de traiter simultanément plusieurs blocs de données de nature diverse peut rendre ces scénarios encore plus complexes.Cette thèse aborde ces problématiques en introduisant de nouveaux algorithmes basés sur la PLS. Deux des méthodes proposées, la PLS multibloc pondérée localement (LW-MB-PLS) et l'alternance séquentielle orientée-réponse et pondérée localement (LW-ROSA), ont été conçues pour gérer les non-linéarités dans des situations impliquant plusieurs blocs de données. Pour la LW-MB-PLS qui ajuste un modèle de calibration linéaire distinct pour chaque nouvel échantillon entrant, une attention particulière a également été accordée à l'interprétabilité des sous-modèles locaux. Pour traiter simultanément des non-linéarités et des valeurs aberrantes, cette thèse introduit une autre méthode novatrice appelée LW-RoBoost-PLS (Locally-Weighted-RoBoost-PLS). Cette méthode combine les avantages des stratégies de modélisation locale pour gérer efficacement les non-linéarités avec ceux des techniques de régression robuste pour atténuer l'impact des valeurs aberrantes. Elle a également été étendue au cadre multibloc.Ces méthodes ont été spécifiquement développées et évaluées dans deux scénarios industriels de processus continus.Le premier concerne un cadre réel de l'Industrie 4.0, à savoir une usine chimique appartenant à Versalis S.p.A., où différents capteurs en ligne surveillent les neuf étapes de production de l'Acrylonitrile Butadiène Styrène (ABS). Dans ce contexte, les méthodes LW-MB-PLS, LW-ROSA et LW-RoBoost-PLS ont permis des améliorations significatives en termes de performance prédictive par rapport aux approches traditionnelles. En outre, afin de déterminer si des estimations satisfaisantes de la qualité de l'ABS pouvaient être obtenues avant la fin du processus de production, l'ensemble des blocs de données résultant de toutes les phases du processus a été modélisé selon un schéma incrémental. De cette manière, il a été possible d'évaluer l'évolution des capacités prédictives des méthodes de régression susmentionnées à mesure que la quantité d'informations disponibles augmentait.Le second scénario concerne le processus de production de la sauce pesto alla Genovese chez Barilla G. e R. F.lli S.p.A. Ici, des défis typiques de l'Industrie 4.0 tels que la synchronisation des données ainsi que la construction de cartes de contrôle en temps réel et de modèles prédictifs ont été relevés. L'analyse d'images capturées par des caméras installées le long de la ligne de production a également été réalisée afin d'évaluer la qualité des matières premières utilisées pour la préparation de la sauce pesto.Les algorithmes proposés apportent une contribution majeure à l'analyse des processus industriels complexes, améliorant les performances prédictives tout en surmontant les limitations des approches traditionnelles comme la PLS standard. Les résultats obtenus pourraient accélérer les avancées en Industrie 4.0, en renforçant le contrôle des processus et la durabilité.