Étude de cas

Palm Paper

Découvrez comment Palm Paper a remplacé un ensemble disparate de tableurs et d’outils d’analyse des tendances isolés par la solution dataPARC, favorisant ainsi son adoption à l’échelle de l’usine grâce à des ajustements de qualité harmonisés et à une surveillance en temps réel des échangeurs de chaleur, ce qui a permis de réduire le gaspillage et d’économiser 4 tonnes de vapeur par heure.

Contexte

Palm Paper fait partie du groupe Palm, l’une des plus grandes entreprises familiales du secteur du papier en Europe. L’usine de Kings Lynn, au Royaume-Uni, exploite une machine hautement automatisée qui produit du papier journal ainsi qu’une gamme de papiers spéciaux et d’emballage à partir de fibres 100 % recyclées. Face à l’élargissement de sa gamme de produits et à la hausse des coûts énergétiques, l’usine avait besoin d’un meilleur moyen d’exploiter ses données afin de faciliter les changements de qualité, d’améliorer la capacité de production et de réduire la consommation d’énergie et de matières premières.

« Avant dataPARC, nous avions des graphiques de tendances par-ci, un rapport par-là, mais aucun système d’historique centralisé. Il fallait extraire des données de toutes sortes de sources et créer des tableurs. C’était une véritable corvée au quotidien. »

Robin Linney, directrice générale de Palm Paper

Les points faibles de Palm

Absence d’un système d’historique unifié et outils limités pour l’amélioration continue. Contrairement à de nombreux grands groupes, Palm ne disposait ni d’une stratégie globale en matière d’informatique opérationnelle (IT/OT), ni d’un système d’historique des données standard. Chaque usine gérait sa propre combinaison de systèmes de contrôle distribué (DCS), de systèmes de laboratoire et d’outils d’analyse externes.

Pour l’usine de Kings Lynn, cela a posé plusieurs défis :

  • Il n’existe pas de source unique et fiable pour l’historique des processus
  • Travail manuel consistant à rassembler des données dans le cadre de projets de dépannage ou d’amélioration
  • Difficulté à gérer un grand nombre de notes et des modifications fréquentes de celles-ci
  • Visibilité limitée sur les performances des boucles de régulation et la consommation d’énergie
  • Le recours à quelques experts et à des outils externes pour les analyses avancées

L’équipe savait, d’après son expérience acquise dans d’autres usines, qu’une plateforme moderne d’historique et d’analyse pouvait offrir un retour sur investissement rapide. Au départ, elle pensait opter pour PI, mais une évaluation plus approfondie l’a conduite à choisir dataPARC.

« Nous voulions que tout le monde s’en serve. Aujourd’hui, la plupart des gens utilisent dataPARC en permanence. Nous n’utilisons pratiquement plus les graphiques de tendance du DCS. Nous utilisons uniquement dataPARC. »

Robin Linney, directrice générale de Palm Paper

Télécharger l’étude de cas

dataPARC en pratique : cas d’utilisation au quotidien

Alignement central pour s’adapter aux changements fréquents de pente

Compte tenu de sa large gamme de produits et des ajustements constants des qualités, Palm avait besoin d’un moyen simple d’harmoniser les réglages des machines. À l’aide de dataPARC, l’équipe a mis en place un tableau central de références qui définit les objectifs et les limites de qualité pour l’ensemble de l’usine. Lorsqu’une spécification change, les ingénieurs mettent à jour ce tableau unique en y apposant une validation numérique et en indiquant la raison du changement. La modification se répercute automatiquement sur les écrans, les courbes de tendance et les normes de qualité.

Les opérateurs peuvent consulter :

  • Paramètres actuels de la machine
  • Valeurs cibles et limites de contrôle pour la teneur en substance active
  • Valeurs issues de séries précédentes de la même classe, pour une comparaison rapide
  • Avertissements visuels automatiques lorsque les paramètres sortent des limites spécifiées
  • Ces tableaux « Centerline » sont présentés lors des réunions quotidiennes du matin afin de faire le point sur les performances.

Résultats :

  • Moins de confusion lors des changements de niveau
  • Réduction des déchets et amélioration de la facilité de fonctionnement
  • Des objectifs clairs et cohérents pour les opérateurs, quelle que soit leur équipe de travail

Rendement des échangeurs de chaleur et économies de vapeur

L’usine exploite plusieurs échangeurs de chaleur, notamment des unités qui récupèrent la chaleur des effluents pour réchauffer l’eau de process entrante. La responsabilité de ces échangeurs relevait traditionnellement de plusieurs services, et il n’existait aucun moyen simple de vérifier s’ils fonctionnaient efficacement.

Grâce à dataPARC, l’équipe :

  • Nous avons effectué des calculs de rendement à partir des tableaux standard relatifs aux échangeurs de chaleur
  • Nous avons mis au point des tableaux de bord qui affichent en temps réel le rendement de chaque échangeur
  • Il détecte les baisses de rendement et signale les unités qui doivent être nettoyées
  • Associé aux outils de nettoyage et de filtrage des tendances proposés par dataPARC, cela a permis d’obtenir une représentation claire de la demande en vapeur avant et après le nettoyage.

Résultats :

  • Une économie d’environ quatre tonnes de vapeur par heure lorsque les échangeurs de chaleur fonctionnent à plein rendement
  • Une responsabilité clairement définie et une meilleure visibilité sur les équipements qui, auparavant, « passaient entre les mailles du filet »

Impact

Bien que Palm n’ait pas cherché à calculer un retour sur investissement global unique, les différents projets démontrent un retour sur investissement significatif :

  • Une réduction de la production de vapeur d’environ quatre tonnes par heure liée à la surveillance de l’échangeur de chaleur
  • Une économie d’amidon d’environ 6 % après optimisation à l’aide de Control Suite
  • Prévention des pannes et des temps d’arrêt grâce à des alertes proactives concernant les équipements critiques
  • Réduction des rebuts liés aux variations de pente et qualité plus stable grâce au centrage
  • Adoption généralisée au sein des équipes de production, d’ingénierie et d’assistance

© 2026 dataPARC