| Popis: |
Multivariate data analysis by projection (principal component analysis and partial least squares regression) is a methodology that allows for the study of many data. It consists of constructing mathematical models that translate the relationships between the data and then projecting them onto plans to perform interpretation. This methodology has been applied to improve the performance of an extrusion process. By integrating all the manufacturing parameters, the sources of active ingredients and their rheological parameters, it was possible to identify the differentiating factors of the sources and the correlations between these data and the success factors of this step. This methodology provided the opportunity to process more than 16,000 data across over 500 different observations to extract relevant information against the expected performance goal. The use of graphs makes it easy to identify, at first, the atypical data to be excluded and, secondly, the influence parameters in order of importance. Nevertheless, this method requires a time of preparation to constitute the database and to have a good knowledge of the process and the parameters to interpret. Finally, it also identifies only the variations that were observed during the recording. It cannot therefore be used alone to study and limit the parameters of a process. The multivariate data analysis by projection appears to be a tool of choice to optimize processes on which some variability can be observed.; L’analyse de données multivariées par projection (analyse des composantes principales et régression par les moindres carrés partiels) est une méthodologie qui permet d’étudier de nombreuses données. Elle consiste à construire des modèles mathématiques qui traduisent les relations entre les données et à les projeter ensuite sur des plans pour permettre leur interprétation. Cette méthodologie a été appliquée pour améliorer la performance d’un procédé d’extrusion. Elle a permis, en intégrant l’ensemble des paramètres de fabrication, les sources de principes actifs et leurs paramètres rhéologiques, d’identifier les facteurs de différenciation des sources et les corrélations entre ces données et les facteurs de réussite de cette étape. Cette méthodologie a offert la possibilité de traiter plus de 16000 données au travers de plus de 500 observations différentes pour y extraire les informations pertinentes au regard de l’objectif de performance attendu. L’utilisation des graphiques permet d’identifier aisément, dans un premier temps, les données atypiques à exclure et dans un deuxième temps, les paramètres d’influence par ordre d’importance. Néanmoins, cette méthode nécessite un temps de préparation pour constituer la base de données et d’avoir une bonne connaissance du procédé et des paramètres pour interpréter. Enfin, elle ne permet également d’identifier que les variations qui ont été observées durant l’enregistrement. Elle ne peut donc être utilisée seule pour étudier et borner les paramètres d’un procédé. L’analyse de données multivariées par projection apparaît donc être un outil de choix pour optimiser des procédés sur lesquels on constate de la variabilité. |
