Maturité numérique dans l’affinage de l’alumine (Digital Maturity in Alumina Refining) (en anglais seulement)

Résumé

L’évolution rapide des technologies et des méthodes numériques promet d’avoir une incidence considérable sur l’industrie du traitement de l’alumine. Les outils modernes dans les domaines de l’apprentissage automatique, de l’Internet des objets, de l’informatique en nuage et de l’optimisation mathématique en temps réel sont de plus en plus courants et accessibles. Ces outils sont utilisés pour transformer le processus de conception des affineries, améliorer la productivité des activités et réduire les coûts d’entretien, et permettent de redéfinir les processus et les modèles opérationnels. La compréhension de ces technologies numériques en pleine croissance, jumelée à une expertise approfondie du secteur sont la clé pour créer de la valeur et fournir les résultats prévus au dossier commercial. Le présent article aborde le concept de maturité numérique et propose une approche structurée pour la transformation numérique des usines de traitement complexes. Au cours des différents stades de maturité numérique, les données sur les processus sont d’abord utilisées pour obtenir une meilleure vue d’ensemble des activités et fournir des renseignements sur les processus. Ces renseignements offrent une réalité de terrain pour l’élaboration de modèles prédictifs qui permettront d’évaluer et d’optimiser le scénario afin d’éclairer la prise de décisions à l’échelle des installations et de l’affinerie. Il peut s’agir de l’établissement d’objectifs pour les processus, de l’optimisation des activités d’entretien ou d’autres moyens. Cette approche en matière de maturité numérique est illustrée à l’aide d’un exemple lié à l’installation de digestion d’une affinerie d’alumine. Dans ce contexte, les systèmes logiciels modernes offrent un moyen interactif et intuitif d’évaluer le rendement actuel de l’usine et de fournir des renseignements sur les processus et des diagnostics sur les problèmes opérationnels en temps réel. Des données prédictives sur la fiabilité des actifs sont également générées pour faciliter la planification de l’entretien en signalant l’équipement à risque et en fournissant des estimations quant à la durée de vie résiduelle de l’équipement.