SYMPHOS 2013

1. SYMPHOS 2013 Potentiels de développement et d’usage des SNCC dans les Unités de Fabrication d’Acide Phosphorique et des Fertilisants Expérience de OCPJorfLasfar Par: EHLAL Mounsif & EL ASRI Said OCPJORFLASFAR MAROC SYMPHOSMai 2013

2. SITE DE OCPJORFLASFAR MAROC MAROC EL JADIDA JORFLASFAR

3. SITE DE OCPJORFLASFAR MAROC IMACID Les ODI MAROC PHOSPHORE PAKISTAN MAROC PHOSPHORE BUNGUE MAROC PHOSPHORE PORT

4. DCS à OCPJorfLASFAR • OCPJorfLasfar a débuté la production en 1986 pour la Fabrication d’Acide Phosphorique et des Fertilisants • Centrales Thermiques, Unités: Sulfuriques, Acide Phosphorique, Concentration Acide Phosphorique, Fertilisants, Ammoniac, Stockages Phosphate, Manutention Produits Intermédiaires et Finis… • Début des années 90, introduction des Automates Programmables • En 1996 mise en place du 1erDCS • Actuellement presque toutes les unités de la plate forme sont dotées de DCS ou Automate Programmable • Personnel bien formé et contribue au développement des applications basées sur les systèmes DCS ou Automates Programmables • Besoin en traitement des données d’une manière numériques s’accentue • Besoin d’utiliser des nouvelles fonctionnalités et d’introduire des nouvelles technologies pour l’optimisation, la maîtrise, le rendement, la disponibilité, la fiabilité,….

5. EXEMPLE D’ÉVOLUTION DES E/S DES DCS DANS UNE UNITÉ PHOSPHORIQUE À JORFLASFAR Cas: MAROC PHOSPHORE

6. SYNOPTIQUE UNITÉ PHOSPHORIQUE OCPJORFLASFAR Cas: MAROC PHOSPHORE

7. ARCHITECTURE ADOPTÉE DANS LES UNITÉS PHOSPHORIQUES Vers Autres Salles de Contrôle et DCS Station Ingénieur Fibre optique Stations Maintenance à Distance Stations Opérateurs Avec Archivage Intégré Station Application Cartes d’E/S et Contrôleurs E/S

8. DATA HIGHWAY ARCHITECTURE DISTRIBUÉE D’UN DCS

9. Supervision (HMI) Redundant Servers PLC/Controller ARCHITECTURE ‘‘CLIENT SERVEUR’’ D’UN AUTOMATE PROGRAMMABLE

10. DIFFÉRENCE ENTRE DCS ET AUTOMATE PROGRAMMABLE

11. DIFFÉRENCE ENTRE DCS ET AUTOMATE PROGRAMMABLE

12. EXPÉRIENCE DE OPC JORF LASFAR DANS LE DOMAINE DES DCS

13. EXPÉRIENCE DE OPC JORF LASFAR DANS LE DOMAINE DES DCS

14. OUVERTURE DU DCS ET SA CONNEXION SUR LE RÉSEAU LOCAL Avant Commande Production Service Expédition et Chargement de la Production Comptabilité Programme de Production Cellule Etude et Amélioration de la Production Gestion du Matériel et de l’Energie Contrôle de la Production Assurance Qualité Contrats Gestion de la Maintenance

15. Commande Production Service Expédition et Chargement de la Production Comptabilité Programme de Production Cellule Etude et Amélioration de la Production Gestion du Matériel et de l’Energie Contrôle de la Production Assurance Qualité Gestion de la Maintenance Contrats OUVERTURE DU DCS ET SA CONNEXION SUR LE RÉSEAU LOCAL Après Contrôle de la Production: Interactions en temps réel

16. CONTRÔLE AVANCÉ : Introduction • Ensemble des techniques et stratégies de contrôle (algorithmes, méthodes de calcul,…) ayant pour objectif d’assurer une meilleure maîtrise du procédé pour: • Améliorer le rendement de l’unité • Améliorer la qualité des produits • Augmenter la productivité • Réduire les coûts énergétiques • S’adapter à des variations de productions • Maîtriser les phases critiques de conduite • Aider à la conduite et au diagnostic du procédé • Réaliser des modèles statiques et dynamique du procédé

17. CONTRÔLE AVANCÉ: Panorama des solutions • Une solution de contrôle avancé s’appuie sur • Des méthodes de conception • Identifications • Recueil d’expertise • Simulation • Une technique de contrôle avancé • Régulation à modèle interne • Commande Prédictive • Logique Floue • Réseaux de Neurones • Des outils de réalisation • Logiciels de simulation • Logiciels applicatifs • Suite logicielle DCS

18. Distance à minimiser Trajectoire de référence fournie par le modèle de référence Consigne Mesure Trajectoire estimée (fournie par le modèle de procédé) t 0 future Commande t CONTRÔLE AVANCÉ: Commande Prédictive Le régulateur calcule la séquence de commandes qui minimisera les écarts entre la sortie prédite par le modèle du procédé et la sortie désirée fournie par un modèle de référence • La commande prédictive intègre des spécifications de contraintes • Les outils multi variables s’appuient sur des algorithme prédictifs

19. LOGIQUE FLOUE: Principe • Pour chaque variable d’entrée/sortie, on définit des fonctions d’appartenance. Elles permettent de convertir • Les mesures (entrées) en variables floues • Les commandes Floues (calculées par le régulateur flou) en commandes (sorties) acceptable par le procédé • Le Régulateur logique floue possède trois opérations de bases: • Lafuzzification Conversion du signal d’entrée en valeur logique floue (Quantitatif > Qualitatif) • Inférence (Calcul de la commande) • La défuzzification (Conversion de la valeur logique floue en signal (Qualitatif > Quantitatif). CONVERSION REGLES FLOUES CONVERSION Valeurs absolues en valeurs floues 1 Application des règles floues 2 Calcul de la sortie à partir des valeurs floues 3 Signal de sortie Signal d ’entrée FUZZY

20. 3 2 High High Low Low Open Closed Normal Level Inlet Flow Weighted Average or Center of Gravity = Calculated valve position 1 LOGIQUE FLOUE: Principe • Rule 1 —Si le niveauestBas et le débitHaut, alors la vanneestFermée. • Rule 2— Si le niveauestHaut et le débitHaut, alors la vanneestOuverte. • Rule 3— Si le niveauestHaut et le débitBas, alors la vanneestNormal. Les règles sont exécutées à chaque cycle.

21. CONTRÔLE AVANCÉ: LES RÉSEAUX NEURONES ‘‘Commande Adaptative’’ • Objectifs • Capteurs de mesures virtuels là ou l’instrumentation actuelle est incapable de donner une mesure physico chimique en temps réel. • Typiquement pour remplacer des analyses effectuées périodiquement en laboratoire.

22. CONTRÔLE AVANCÉ: LES RÉSEAUX NEURONES Le Réseau Neurone établi lui même ses règles à partir de situations qui lui sont présentées. • Neurone: • Processeur qui calcule la somme pondérée des entrées et applique à cette somme une fonction de transfert non-linéaire (sigmöide) • Principe de l’Apprentissage: • L’Apprentissage se fait en comparant l’évolution d’une variable donnée y à une évolution souhaitée Yref et s’effectue en ajustant les poids des liaisons entre Neurones de diverses couches le plus souvent par un algorithme de type rétro-propagation du gradient visant à minimiser la quantité J=(Yref-Y)²

23. LES RÉSEAUX NEURONES: MISE EN ŒUVRE • Collecte des données —Cette opération est essentielle puisque les données procédé sont la seule base pour construire le réseau de neurone. La qualité des données détermine la qualité du modèle. • Prétraitement des données — Cette opération est nécessaire parce que les données procédé temps réels contiennent, des données en dehors des limites de commande que vous avez fixé, et probablement les données non désirées de différentes sources. • Définition des variables et retard — Cette opération détermine les variables procédés importantes qui affectent significativement la variable à prédire. Des variables non significatives peuvent dégrader la précision de la prédiction. • Apprentissage du réseau — Cette opération détermine le nombre de neurones et ajuste le poids des variables basés sur les données d’apprentissage. • Vérification d’un réseau— Cette opération vérifie comment le fonctionnement du réseau en comparant la prédiction par rapport aux valeurs actuelles

24. LES RÉSEAUX NEURONES: MISE EN ŒUVRE – L’APPRENTISSAGE L’apprentissage consiste à calculer: - les différents coefficients - le nombre de couches cachées nécessaires  

25. APPLICATION AU PROCÉDÉ D’ACIDE PHOSPHORIQUE H3PO4 : MESURE DES SULFATES LIBRES Unité Phosphorique JORFLASFAR Les trois principales phases de fabrication comprennent : • Le broyage : le broyage du phosphate brut a pour but d’augmenter la surface d’attaque du minerai par l’acide sulfurique. • L’attaque filtration : Le phosphate broyé est attaqué par l’acide sulfurique concentré à 98,5% et l’acide phosphorique moyen (18 à 22% de P2O5) en milieux aqueux. Le mélange donne une bouillie. La filtration de cette bouillie consiste à séparer l’acide phosphorique 29% P2O5 du phosphogypse via un filtre rotatif. Le produit est ensuite stocké dans des bacs de décantation. • La concentration : La fonction de la concentration de l’acide phosphorique est de permettre l’évaporation de l’eau pour obtenir un acide titrant 54% de P2O5.

26. LE PROCÉDÉ D’ACIDE PHOSPHORIQUE H3PO4: LA RÉACTION • Le procédé consiste à faire réagir le phosphate avec l'acide sulfurique dans des conditions de température et de concentration en P2O5 tels que le sulfate de calcium précipité sous forme de gypse di-hydrate (CaSO4.2H2O). • Phosphate + Acide sulfurique + Eau •  Acide phosphorique + Gypse. • La bouillie est ainsi formée d'une phase solide (gypse) en suspension dans une solution d'acide phosphorique (25 à 27% en poids de P2O5) et d'acide sulfurique (1.5 à 2% en poids) à une température d'environ 80°C. • L'attaque est réalisée dans un réacteur

27. Acide à 17% H2SO4 Phosphore Réacteur Gypse Acide à 29% LE PROCÉDÉ D’ACIDE PHOSPHORIQUE H3PO4: LA FILTRATION • L'obtention de l'acide phosphorique nécessite sa séparation du gypse.Cette opération est réalisée sur un filtre rotatif fonctionnant sous vide. • La filtration de la bouillie engendre : • L'acide phosphorique de production. • Le gypse (sous forme de cristaux solides).

28. 2- SO 4 Rendement Sulfate libre Excès de Sulfate => « Cloquage »,sur-consommation de H2S04 Carence de Sulfate => Phosphate non attaqué Résidus (gypse) riches en phosphates non valorisés Valeur Optimale LA PROBLÉMATIQUE DU PROCÉDÉ D’ACIDE PHOSPHORIQUE H3PO4 • Durant la réaction, la mesure en continu des sulfates libres est un défi essentiel à relever. Le rendement du procédé est directement lié à la bonne maîtrise de cette valeur.

29. LA PROBLÉMATIQUE DU PROCÉDÉ D’ACIDE PHOSPHORIQUE H3PO4 • Comparatif du fonctionnement avec une mesure continue par rapport à une donnée échantillonnée (1h) Dans ce cas l’opérateur voit Mesure = Consigne : Il ne fait rien alors que la vraie mesure est en dessous de la consigne L’opérateur ne voit la mesure que de l’échantillon précédent il voit donc son procédé avec 1 heure de retard Consigne Dans ce cas, l’opérateur voit Mesure différent Consigne : Donc il agit sur le procédé alors que le procédé était à la bonne valeur 8h 4h 6h 7h 2h 3h 5h 1h

30. LA PROBLÉMATIQUE DU PROCÉDÉ D’ACIDE PHOSPHORIQUE H3PO4 Consigne 1h 2h 3h 4h 5h 6h 7h 8h Retard:1heure Donnant aux opérateurs une vision erronée de l’état actuel de leur procédé Mesure Laboratoire Mesure réelle

31. RÉSEAUX NEURONES: LA SOLUTION ADOPTÉE • Manipulé— • Débit Phosphate • Débit H2SO4 • Débit acide recyclage • Température attaque • Intensité agitateur • Pression Flash • Température Flash • Intensité Digesteur • Température Digesteur • Model of ProcessControl • ‘‘MPC’’ • via • DCS • Contrôlé • le ratio H2SO4/Phosphate-Rock (représentatif du taux de sulfate libre) ; • la dépression pour le refroidissement (Cooler Vacuum Pressure). • Contrainte • le P2O5, le Sulfate Libre SO4, • la Température du réacteur et • le Delta de température entre la température du refroidisseur et la température du réacteur. Perturbation — Le Débit de P2O5 à 17%. AUTRES AUTRES

32. RÉSEAUX NEURONES: LA SOLUTION ADOPTÉE Les mesures de densité du P2O5 et du sulfate libre SO42- sont obtenues après analyse en laboratoire. Aussi 2 réseaux neurones sont prévus pour inférer ces valeurs de façon continue. • Entrées Continues : • Débit de Phosphate ; • Débit d’acide fort à 29% (acide produit) ; • Débit d’acide moyen à 17% ; • Débit d’acide sulfurique ; • Débit d’eau de lavage ; • Température du réacteur ; • Température du refroidisseur (cooler - flash). • Entrées Analysées : • Densité acide fort 29% ; Densité acide moyen 17% ; • Densité acide faible 5% ; Densité acide bouilli.

33. LA MISE EN ŒUVRE DU RÉSEAU NEURONES • La mise en œuvre nécessite 6 phases successives: • Sélection des données influentes • Collectes des données • Prétraitement manuel des données • Apprentissage du réseau (calcul des coefficientspar résolution itérative de matrices) • Vérification de la précision du réseau • Implémentation

34. PHASE 1: INVENTAIRE DES VARIABLES INFLUENTES SUR CETTE DONNÉE. • Débit Phosphate • Débit H2SO4 • Débit Acide Recyclé • Température Attaque • Intensité Agitateur • Pression Flash • Température Flash • Intensité Digesteur • Température Digesteur

35. Œ Dead Band PHASE 2: COLLECTE DES DONNÉES ÉCHANTILLONS LABORATOIRE & HISTORIQUES • Une campagne de collecte des échantillons laboratoire pour la construction de la base de connaissance de l’algorithme. • Les historique doivent être définis avec une période la plus basse possible avec une bande morte relativement faible. • L’expérience montre qu’un minimum de 4000 points semble nécessaire pour entrainer correctement l’algorithme des RéseauxNeurones DCS • Les opérateurs saisissent méticuleusement la valeur laboratoire et l’heure de prélèvement de l’échantillon (directement dans le système)

36. PHASE 3: PRÉTRAITEMENT DES DONNÉES

37. PHASE 4: APPRENTISSAGE DU RÉSEAU • L’ Apprentissage » du réseau consiste à calculer les différents coefficients de l’algorithme • Lorsque un nombre suffisant d’échantillons est disponible, on procède à l’apprentissage du réseau. Cet apprentissage consiste à calculer l’algorithme interne du réseau. • S’il est assez facile de lancer l’apprentissage avec les valeurs par défaut, il est nécessaire de faire appel à un spécialiste pour affiner les réglages et obtenir une bonne précision. • L’apprentissage terminé, l’algorithme est prêt à être téléchargé pour pouvoir donner aux opérateurs la mesure en continu des sulfates libres

38. PHASE 5: PROGRAMMATION DU RÉSEAU DANS LE DCS • Le module ‘‘NN_SO4’’ est programmé dans une zone de test. • Dans la phase de test cet algorithme peut tourner dans la station ingénieur pour ne faire aucune modification de l’installation existante => Cette station doit être continuellement opérationnelle. • Dans une installation définitive ce module sera implanté dans le contrôleur pour bénéficier de l’autonomie et la redondance.

39. PHASE 5: MESURE DE LA PRÉCISION • Cette phase consiste à mesurer la précision de la mesure virtuelle avec la mesure laboratoire (Coefficient de Corrélation) • Le Réseau Neurones donne à présent une mesure. • Pour vérifier que cette mesure soit correcte il est impératif de continuer à relever méticuleusement pendant un mois les valeurs suivantes • Date/heure de la prise d’échantillon • Valeur donnée par le laboratoire • Valeur donnée par le réseau de Neurones • Ce tableau permet de comparer sous forme graphique (courbe) et mathématique (Corrélation) la précision du réseau de Neurones • Un compte rendu est établi pour afficher le résultat final

40. PHASE 6: IMPLÉMENTATION • Cette phase consiste à proposer des schémas de régulations pour exploiter la puissance de calcul du DCS: • Pilotage en automatique l’actuelle régulation de rapport par un régulateur ‘‘MPC’’ • Design de l’application en mode automatique. • Implémentation des nouveaux algorithmes et formations opérateurs • Bilan et exploitation des résultats obtenus

41. SYMPHOS 2013 • Merci pour votre attention