A l’ère de l’industrie 4.0, les industriels savent qu’ils peuvent compter sur les technologies Big Data ou d’Intelligence Artificielle, pour améliorer l’efficacité énergétique de leurs usines. Néanmoins, ils n’ont pas toujours conscience que, pour obtenir de bons résultats en matière d’énergie, la qualité des données disponibles prime sur leur quantité. Explications.
Quelles données utiliser ? Sont-elles disponibles ?
Paramètres et données de fonctionnement des machines et des utilités, programmes de production, données météo… : les données utilisées ou générées par l’activité industrielle sont multiples. Mais est-ce qu’elles sont adaptées à la démarche d’amélioration de la performance énergétique ? De manière très concrète, est-ce que la consommation d’énergie de chacun des périmètres à optimiser est mesurée correctement ? Est-ce que les facteurs qui impactent la consommation sont connus avec la précision nécessaire ? «Vu de loin, tout va bien » affirme Dominique Martin, responsable du pôle Data Vertuoz.
« Le client dispose de dizaines de compteurs et de dizaines de milliers de données. C’est quand l’information que doit délivrer le futur Système d’Information Énergétique est définie de manière précise qu’on se rend compte parfois que les données disponibles ne sont pas les bonnes. L’approche Big Data pour l’énergie est en effet nouvelle et peut demander des données spécifiques. Le projet est alors bloqué jusqu’à ce que ces données soient mises à disposition. Lorsque ce n’est pas possible, le cas métier doit être redéfini ou même abandonné. »
Mettre à niveau ses données pour permettre l’analyse et l’optimisation énergétique industrielle
« Il convient d’identifier les données qui correspondent directement au projet d’efficacité énergétique » poursuit Dominique Martin. Ainsi, pour chaque enjeu énergétique important, on définit l’information que le Système d’Information Énergétique mettra à disposition des opérateurs pour améliorer l’efficacité énergétique, et on identifie les données qui permettront de générer cette information : par exemple, pour maîtriser la consommation pendant l’arrêt des installations (le talon de consommation), il faut connaître le statut ‘marche’ ou ‘arrêt’ des principaux consommateurs et la consommation énergétique des différentes zones d’atelier. Si ces données sont incomplètes, non fiables ou inexistantes, il faut corriger ces données, ou, si ce n’est pas possible, redéfinir le projet d’amélioration énergétique.
Et ce n’est pas tout. Lorsque la donnée est fiable, remonte-elle à la bonne fréquence ? Par exemple, beaucoup de compteurs fonctionnent en mode « impulsion ». Il faut alors contrôler la fréquence d’échantillonnage : au moins 2 fois plus de mesures que la durée du phénomène. Ainsi, si on suit une variation horaire, la mesure doit être réalisée toutes les 30 minutes.
La méthode pour améliorer la qualité des données « pas à pas »
La réussite d’un projet d’optimisation énergétique dépend donc beaucoup de la qualité des données. Voici une méthodologie précise pour assurer cette étape :
- Inventorier toutes les sources de données existantes dans l’usine.
- Récupérer les données vraiment utiles au cas métier étudié.
- Qualifier ces données avec :
- une localisation précise,
- un nom et une description explicites,
- une maille de temps (ou fréquence d’échantillonnage) adéquate, en phase avec la réalité de l’usine,
- une unité de mesure définie (kWh/m3 d’air soufflé par exemple).
- Vérifier le bon étalonnage des capteurs.
La nécessité d’une gouvernance des données
« Souvent, nous sommes confrontés à la difficulté de bien qualifier les données. Les industriels, parce qu’ils se concentrent sur leur cœur de métier, confient l’acquisition des données à des prestataires. Ils perdent donc la connaissance de leurs data, qu’ils n’ont peut-être pas non plus pris le temps de codifier et de documenter. Parfois aussi, les données qu’ils pensaient avoir ne sont pas les bonnes. » La solution ? Mettre en place une gouvernance des données, pour s’assurer de leur intégrité, pilotée par un nouvel acteur, dont le métier, qu’il reste à inventer, sera de garantir la qualité et la bonne exploitation des trésors de données dont les usines regorgent. « Aujourd’hui, on parle du secret de fabrication dans l’industrie. Demain, ce sera le secret des données. » conclut Dominique Martin.
