Menu Recherche
close

Étiquette : Digitalisation de l’usine

Le Machine Learning appliqué à l’énergie

Posted on by F. Gailliot

Machine Learning, Deep Learning, Intelligence Artificielle, Big Data, Réseau de neurones, algorithmes génétiques… la technologie s’invite quotidiennement dans les discours marketing, et souvent de manière approximative. Faisons un point sur le Machine Learning et son intérêt pour l’efficacité énergétique industrielle.

 

Définition(s) : le Machine Learning

Le Machine Learning, ou apprentissage statistique, est l’une des disciplines de l’Intelligence Artificielle. Il utilise un ensemble de méthodes et d’algorithmes permettant de développer des logiciels autonomes, capables d’apprendre à reconnaître les états d’un système complexe à partir d’un historique des données du système observé.

Plusieurs types d’algorithmes peuvent y être combinés (arbres de décision, analyse discriminante linéaire, clustering…), dont les réseaux de neurones, célèbres par leur ambition initiale de reproduire le fonctionnement du cerveau humain. Quant au Deep Learning, c’est une « simple » (sic !) application des réseaux de neurones.

 

Applications : un large spectre

D’un point de vue fonctionnel, le Machine Learning comporte deux phases :

1- L’apprentissage initial : réalisé à partir d’un jeu de données d’entrée, et bien sûr des données de sortie correspondantes. Prenons un exemple dans l’industrie agroalimentaire : en entrée, la température d’un biscuit fraîchement cuit, l’hygrométrie et la température ambiante du laboratoire, les dimensions de la friandise, et une photo ; en sortie, sa conformité ou non, et les raisons de son éventuel refus (cuisson, taille, aspect…). Cette conformité ayant été évaluée « manuellement ».

2- Le fonctionnement : l’algorithme est ensuite en mesure de proposer une valeur de sortie, en fonction des données d’entrée qui lui sont fournies. Pour notre exemple : à partir des données collectées par des capteurs, l’application indique à l’automate les biscuits à écarter, et n’envoie que les bons en conditionnement. À noter : la phase de fonctionnement peut aussi comporter des fonctionnalités d’apprentissage, pour affiner les compétences de l’algorithme.

  |  De nombreuses applications concernent la perception d’un environnement et/ou d’un corpus de données complexes et variées :

  • Reconnaissance d’objets dans une image, indexation d’images, reconnaissance vocale…
  • Voiture autonome.
  • Détection de fraude.
  • Diagnostic médical.
  • Analyse financière.
  • Maintenance industrielle préventive/prédictive.

 

Statistique Vs Physique

Le Machine Learning repose sur des approches statistiques. Il diffère donc des modélisations physiques, construites à partir de la compréhension physico-chimique (thermodynamique ou mécanique des fluides par exemple) ou mathématique (économie, finance…) des phénomènes observés.

Trois conséquences doivent être prises en compte :

1- Le Machine Learning ne donne pas les raisons de sa « décision » : son approche statistique établit des corrélations entre plusieurs mesures, sans pour autant s’intéresser à leur causalité.

2- Ses capacités de reconnaissance restent valables à périmètre et conditions « constantes », ou du moins connues de l’algorithme : toute modification dans la nature ou le type des données d’entrée nécessite une nouvelle phase d’apprentissage. Concrètement, une modification du process industriel observé (changement de machine, de régime de température…), des moyens d’observation (capteurs…), ou encore des conditions extérieures (climat, modification du bâtiment…), doit conduire à une évaluation des conséquences sur l’algorithme de Machine Learning.

3- L’apprentissage initial et ses évolutions nécessitent des jeux de données historiques complets : tous les cas de figures doivent être présents, ce qui nécessite en général l’observation d’au moins un cycle complet (saisonnalité). Il est parfois possible de créer des données « virtuelles » à partir d’une modélisation physique partielle (on parle alors d’algorithme hybride).

 

Quels outils pour le secteur énergétique ?

L’Ingénieur process et l’Energy Manager trouveront dans le Machine Learning un allié de poids pour :

  • Prédire des consommations : à partir de la météo, du planning de charge, de la qualité des intrants… il devient possible d’estimer précisément l’intensité énergétique nécessaire pour les heures à venir, et ainsi d’adapter les conditions d’exploitation en avance de phase (stockage d’énergie, allumage / arrêt d’équipement…).
  • Organiser des approvisionnements : qu’il s’agisse de combustibles ou d’intrants dont la qualité impacte les besoins énergétiques, le Machine Learning permet de sélectionner la source d’approvisionnement optimale en fonction de la météo, du planning de charge, de la qualité de l’intrant et de la performance des équipements à un instant t.

 

Un exemple d’application pour une centrale biomasse

Le rendement d’une chaudière biomasse dépend fortement de l’hygrométrie des déchets verts qu’elle brûle, et qui proviennent de plusieurs communes de la région (rayon de 80 km). Les capacités de stockage tampon étant limitées aux abords de l’équipement, il est alors nécessaire d’adapter les livraisons du combustible au plus près des besoins réels de la chaudière, pour répondre à la demande de chaleur. Et la performance de cette production dépend de la qualité du combustible. L’algorithme de Machine Learning fonctionne ainsi sur le principe suivant :

D’une manière générale, il est recommandé de vérifier les conditions de fonctionnement d’un algorithme de Machine Learning au moins chaque trimestre.

 

En conclusion, le Machine Learning constitue un outil d’intérêt pour l’efficacité énergétique industrielle, à la fois pour la compréhension des phénomènes et pour le pilotage de l’activité. Vous voici rassuré : le Machine Learning n’est plus (totalement) une boîte noire pour vous !

 

« On trouve toujours un moyen pour connecter une usine ! »

Posted on by F. Gailliot

Votre usine reflète naturellement le profil des investissements et des choix passés. Les derniers équipements high tech y côtoient des machines plus rustiques. Toutes sont indispensables à votre process ou vos utilités. Cependant, elles n’utilisent pas forcément les mêmes protocoles de communication : de la relève manuelle au temps réel sans fil. L’arrivée d’un projet d’efficacité énergétique génère donc une question tout autant légitime qu’inquiétante : comment connecter tout ça ?

Quels sont aujourd’hui les enjeux techniques pour collecter les données énergétiques d’une usine ou d’un atelier ?

Commençons tout de suite par rassurer les industriels : on trouve toujours un moyen pour connecter une usine ! La difficulté tient même plutôt à l’ampleur du choix ! Et bien sûr aux contraintes imposées par l’existant, la nature de l’activité, les problématiques énergétiques spécifiques, l’organisation de l’entreprise…  L’enjeu n’est donc pas tant de trouver UNE solution, mais de trouver LA bonne, celle qui sera rentable, pérenne et évolutive.

Quel est le phasage de projet préconisé ?

Il faut d’abord bien comprendre les objectifs de performances énergétiques : quelles mesures sont attendues (nature, précision…), avec quelle fréquence, pour quelle destination numérique, etc. Le choix d’un stockage local (digital factory) ou dans le cloud est par exemple très structurant pour les solutions radio (ndlr : voir notre encadré). Les étapes incontournables consistent bien sûr à réaliser une écoute des besoins et ambitions souhaitées, avant de réaliser une étude de l’infrastructure Télécoms et des réseaux informatiques industriels existant de la couverture IoT sur le site, ainsi qu’une étude de couverture radio pour déterminer les technologies radio adaptées et le type d’antennes à utiliser. Nous sommes aussi particulièrement vigilants sur la fourniture des données au bon format : personne ne veut récupérer la tension brute d’un capteur, mais bien une température ! Nous privilégions donc les capteurs « intelligents », capables d’envoyer des données directement exploitables. In fine, un projet de collecte est réussi quand le système sait se faire oublier.

Comment accéder à des données déjà captées, mais non connectées ?

Là encore, il y a toujours une solution. Certaines centrales et automates peuvent être interfacés simplement. De plus, il y a tout de même des standards récurrents : notre gateway (ndlr : la « passerelle » qui centralise les données des capteurs environnant et les envoie vers le serveur) est ainsi compatible avec 90 % des capteurs du marché. Au pire, s’il faut changer ou ajouter un capteur, les coûts restent très raisonnables.

Connecter son usine, c’est cher ?

Il n’y a pas de réponse absolue à cette question. Je peux en revanche affirmer que le ROI est au rendez-vous, et pas seulement avec les économies d’énergies. Il faut pour cela respecter deux règles simples : ne pas installer des capteurs partout « pour le plaisir », et ne pas hésiter à y aller par étapes, en fonction de ses moyens. Moyens financiers bien sûr, mais aussi moyens d’actions : qu’allez-vous faire des données ? Comment allez-vous les présenter, les diffuser, changer les pratiques, les habitudes, les mentalités… ? Mais ça, c’est le boulot de Vertuoz Industri.e !

Zoom sur :

| 4 protocoles radio incontournables pour votre usine connectée

  • Bluetooth Low Energy: une faible portée (200m) mais un débit permettant la transmission d’image, pour la levée de doute par exemple (2Mb/s). Adapté à un usage 100% privé/local.
  • LoRaWan: très peu sensible aux interférences, ce protocole open source, soutenu par une large alliance d’industriels, affiche un débit lent, adapté aux données très courtes et peu fréquentes. Il existe des solutions LoRaWan privées/locales.
  • SigFox: principal concurrent de LoRaWan dans les réseaux opérés, il permet également le roaming (pour des capteurs mobiles passant d’un pays à l’autre).
  • LTE-M: choisi par 9 des plus grands opérateurs télécoms du monde (AT&T, Verizon, Orange, KDDI, KPN, Docomo, Telefonica, Telstra et Telus), ce protocole est pour ainsi dire la 5G de l’IOT. Très standardisé, il offre des appareils peu coûteux, avec une faible consommation énergétique, et présente une excellente couverture.

 

 

A lire également sur l’usine connectée

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.

Découvrez notre article à ce sujet : https://blog.engie-vertuoz.fr/industrie-qualite-des-donnees-essentielle-efficacite-energetique-des-usines/ 

Quels sont les meilleurs outils à la disposition des industriels pour valoriser leurs données ?

Posted on by F. Gailliot

Dans l’industrie, différents outils de mesure et de contrôle commande coexistent pour traiter les données. Ces technologies ont évolué pour se spécialiser en 4 familles : superviseur, historiseur, dataviz et data analytics. Lesquels choisir et installer ? Pour quels usages ? Avec quels bénéfices ? Sont-ils complémentaires ? Vertuoz Industri.e vous explique.

4 technologies utiles pour la performance énergétique de votre usine

Pour faire des économies d’énergie sans investissement, il est essentiel de disposer des bons outils de collecte, de traitement et d’analyse de données. Ces technologies sont déjà présentes ou à portée de main ! Vertuoz Industri.e vous en donne la liste.

4 technologies pour la performance énergétique de votre usine - Quels sont les meilleurs outils à la disposition des industriels pour valoriser leurs données ?
Quels sont les meilleurs outils à la disposition des industriels pour valoriser leurs données ?

 

Utilisez un Superviseur pour piloter votre installation

1/ Le superviseur est un système d’acquisition des données, un dispositif de télérelève en temps réel, qui va fournir une image de l’usine, son « état de santé », à l’instant présent. Grâce à cette image, les techniciens pourront contrôler le bon fonctionnement opérationnel des process et conduire l’installation.

 

Complétez avec un Historiseur

2/ L’historiseur permet de stocker de très grandes quantités de données non traitées de l’usine, enregistrées à l’heure, la minute, la seconde, voire à la milliseconde… durant des années ! Il va ainsi constituer le « carnet de santé » de l’usine.

 

Appuyez-vous sur la visualisation des données puis sur leur analyse pour améliorer le fonctionnement de votre installation

3/ La visualisation de données ou Dataviz « fait parler » les données, à l’aide de représentations graphiques, en deux – voire trois – dimensions. Car si une image vaut 1 000 mots, une représentation graphique vaut bien 100 000 données ! La dataviz s’appuie sur les moyens informatiques modernes afin de mettre en forme les données complexes de manière simple, didactique et pédagogique. Pour les Energy Managers, et d’autres métiers opérationnels, c’est une véritable aide à la compréhension et un guide précieux à la décision.

4/ L’analyse de données ou Data Analytics est une approche qui vise à améliorer la compréhension de l’installation. Elle s’appuie sur des outils statistiques et de recherche opérationnelle dont l’application est permise par l’informatique et le Big Data. Les exploitants et les Energy Managers peuvent, avec cet outil, identifier les variables ou paramètres influents et prendre des décisions de pilotage éclairées.

 

 Ces outils peuvent fonctionner isolément dans les usines. Néanmoins, certaines plateformes de pilotage et d’optimisation énergétique, comme la solution Vertuoz Industri.e, présentent les rôles complémentaires de visualisation et d’analyse des données, permettant d’améliorer la performance des usines. L’historiseur, de son côté, peut servir de socle à ces deux fonctions. Il joue un rôle d’accélérateur des projets d’amélioration continue parce qu’il met à la disposition des briques data visualisation et data analytics un stock de données, mais ce n’est pas un prérequis. Une plateforme peut fonctionner sans historiseur, à condition de la connecter suffisamment en amont pour recueillir les données nécessaires. Certaines comme Vertuoz Industri.e comportent même une fonction d’historisation. En cumulant différentes briques dans une même plateforme, les outils s’enrichissent les uns les autres. Sur un incinérateur, un industriel nous a confié qu’il obtenait en une heure les mêmes résultats d’analyse qu’en une semaine avec un tableur, grâce aux outils de visualisation graphique de Vertuoz Industri.e»

 

Des données en quantité, c’est bien. Des données de qualité, c’est mieux.

Posted on by F. Gailliot

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 :

  1. Inventorier toutes les sources de données existantes dans l’usine.
  2. Récupérer les données vraiment utiles au cas métier étudié.
  3. 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).
  4. 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.

 

Wiki Industri.e : Data Lake ou comment le stockage en masse booste l’analyse des données énergétiques

Posted on by F. Gailliot

À l’ère de l’Internet des Objets, du Big Data et du Cloud, l’agrégation et le stockage en masse à moindre coût des données de l’entreprise est possible et pertinent.

La création d’un espace de stockage de données brutes de type Data Lake correspond au besoin nouveau des entreprises d’organiser, centraliser, gérer, exploiter, analyser de grands volumes de données, tout en cassant les silos des systèmes d’information dans lesquels les données des entreprises sont traditionnellement rangées.

Pour mieux comprendre, James Dixon, spécialiste américain en Business Intelligence, comparait en 2011 le Data Lake à une « large étendue d’eau à l’état naturel, dans lequel on peut plonger pour en prélever des échantillons », par opposition au Data Mart (1), espace de stockage de données sélectionnées et structurées, « comptoir de bouteilles d’eau nettoyées, emballées et structurées pour en faciliter la consommation. » L’image est parlante mais le concept nécessite quelques explications supplémentaires.

 

1. Qu’est-ce qu’un Data Lake ?

2. Atouts

3. Limites et risques

4. Application à la performance énergétique industrielle

 

 

1. Qu’est-ce qu’un Data Lake ?

Considéré parfois comme la version nouvelle génération du Data Warehouse, le Data Lake désigne un espace qui permet de stocker des quantités importantes de données, quelles que soient leur nature et leur origine, sans limite de durée et sans schéma strict d’organisation des flux entrants.

Toutes les données brutes et toutes les données transformées d’une entreprise peuvent ainsi coexister au sein d’un même Data Lake.

Les bénéfices ? Plus de fluidité, d’agilité, d’interaction et de facilité dans le traitement, l’exploitation et l’analyse des données. C’est pourquoi le Data Lake est utilisé par de plus en plus d’entreprises, notamment pour la relève de données d’énergie (consommation électrique, puissance, état…).

 

2. Cinq atouts

1. Le Data Lake permet de collecter et stocker toutes les données brutes de l’entreprise en un lieu unique et en temps réel. Cette flexibilité constitue le premier avantage.

2. Ensuite, l’absence de structuration contrainte des données permet de conserver intact tout le potentiel des informations sources. L’utilisateur peut extraire des données natives pour les croiser entre elles afin de les exploiter et de satisfaire les besoins d’analyse présents et futurs.

3. Dans l’industrie, le Data Lake constitue une réelle avancée, car il permet de restituer en temps réel les données de tous les capteurs d’une usine dans une base unique. Les applications métier peuvent ainsi interagir rapidement avec le Data Lake.

4. La capacité de collecte massive de données du Data Lake combinée à de la puissance de calcul permettent d’associer les flux de données à leurs déclinaisons métier et aident à optimiser les process industriels.

5. On peut associer aussi les Data Lake à des démarches de machine learning qui visent à exploiter toutes les données d’entreprises pour constituer des modèles prédictifs.

 

3. Limites et risques

Le manque d’organisation et de hiérarchisation des données risque parfois de conduire au désordre, ce qu’on appelle aussi un « marécage de données », un Data Swamp. Le Data Lake nécessite donc des outils très techniques et des compétences spécifiques, pour bien définir les besoins et mieux maîtriser les données à exploiter.

Il est essentiel de fixer une stratégie, pour trier les données et ne pas collecter des grands volumes inutilement, et de sélectionner prioritairement les données à valeur ajoutée.

 

4. Application à la performance énergétique

Le Data Lake est particulièrement adapté aux besoins des décideurs impliqués dans la performance énergétique industrielle. En effet, les données nécessaires à la constitution des tableaux de bords émanent d’équipements à la fois divers (capteurs, automates, machines, relevés manuels…) et hétérogènes (unités différentes, suites temporelles à pas différents, ou même à pas variables…).

De plus, l’énergie étant un sujet transverse, les informations utiles à la création des ratios et KPIs sont issues d’outils métier (production, maintenance, énergie, qualité) et de systèmes (MES, ERP…) dont le formalisme doit être respecté. Enfin, la démarche de progrès inhérente à la performance énergétique (PDCA) considère par nature que les besoins d’informations futurs dépendent des observations actuelles : il est donc impératif de conserver au maximum les données brutes. C’est le choix fait par Vertuoz Industri.e dans ses outils.

 

(1) Constituant du Data Warehouse, ou Entrepôt de données.

Le digital dans la chaufferie, un bon investissement ?

Posted on by F. Gailliot

Les chaufferies font elles aussi leur transition numérique. Les grosses installations sont presque systématiquement équipées d’une GTC (Gestion Technique Centralisée) qui permet de connaitre à tout instant l’état de fonctionnement technique de l’installation mais ne dit pas grand chose sur sa performance. Elles sont donc de plus en plus nombreuses à disposer aussi d’une solution digitale pour optimiser leurs performances énergétiques et mieux gérer la maintenance. Mais ces outils connectés représentent-ils réellement un bon investissement pour ces réseaux de chauffage ? Réponse par les ingénieurs efficacité énergétique de Vertuoz Industri.e.

Les centrales de production d’énergie (chaud, froid…) utilisent des outils numériques pour être plus performantes et cela fonctionne ! Prenez l’exemple du réseau de chaleur de Rillieux-la-Pape, près de Lyon, qui maximise la récupération de chaleur et exploite majoritairement des énergies renouvelables (plus de 90 % !) depuis qu’une solution numérique d’aide au pilotage a été installée. Ou celui de Plaine Commune Énergie, en Île-de-France, qui a gagné environ 10 % de performance sur le rendement d’une chaudière biomasse en seulement 3 mois ! « Ces exemples suffiraient déjà à démontrer les bénéfices apportés par la mise en œuvre d’un outil digital, s’enthousiasme Camille Boutinet. Mais en plus, un outil numérique dans une chaufferie apporte d’autres gains, beaucoup d’autres gains ! »

 

Libérer du temps à l’exploitant du site

Pour l’exploitant du site, par exemple, le quotidien est rythmé par de nombreuses charges qui viennent s’ajouter au cœur de métier technique. Les tâches transverses sont nombreuses : RH (plannings des équipes), administratives (suivi réglementaire…) ou commerciales (établissement des devis, ordre de commandes…), le temps est donc compté. Grâce à la standardisation des meilleures pratiques d’exploitation, au suivi temps réel des consommations d’énergie et à l’automatisation du reporting quotidien et mensuel des indicateurs de performance de la chaufferie, l’exploitant peut se concentrer sur le cœur de ses missions et gagner sur les coûts d’exploitation du site.

 

Réduire la durée des interventions

L’outil digital permet de désigner facilement les dysfonctionnements des équipements de production d’énergie, à condition qu’ils soient équipés des bons systèmes de mesure et de comptage. Sur leur écran, les équipes opérationnelles identifient aisément les anomalies, repérées par des alarmes visuelles déclenchées par plusieurs critères combinés. Ils savent immédiatement où inspecter, même si la panne n’a pas encore été détectée. Le temps gagné est ainsi très important : sur une centrale de traitement d’air par exemple, avant cet outil numérique, les équipes d’exploitation ne repéraient parfois le dysfonctionnement qu’après quelques jours et devaient contrôler jusqu’à cinq ou six équipements.

 

Choisir la bonne cascade d’allumage

Forts de leur expérience, les techniciens avaient déjà repéré les réglages apportant de meilleures performances ou encore quelle chaudière avait un meilleur rendement qu’une autre. « En revanche, personne ne savait jusqu’à présent quel était l’impact des réglages en bout de ligne, confie Antoine Roland. Avec l’outil numérique et sa puissance de calcul, les opérationnels peuvent désormais croiser les paramètres de performance entre eux et mesurer l’influence de chacun. Ils ont accès à des informations invisibles, enfouies, qui permettent de régler la cascade d’allumage des chaudières au mieux. » Concrètement, la mise à disposition des données historiques du site permet de révéler les meilleures pratiques passées et de les définir en tant que règles de conduite à suivre.

 

Décider les bons investissements en fonction d’éléments tangibles

Au moment de choisir un nouvel équipement, un variateur neuf par exemple, on peut se fonder sur sa performance théorique. Mais rien ne garantit que les résultats soient meilleurs à l’échelle du réseau. Sur la base des données de l’installation, l’outil digital désigne précisément l’élément qui freine les performances au global. «Constatant ainsi les résultats médiocres du réseau avec l’ancien matériel, le client n’hésitera pas à engager des travaux ou le remplacement des équipements incriminés. » souligne Meryl Alexandre.

 

Communiquer entre les acteurs du site

Exploitant de chaufferie, energy manager, directeur de site industriel, opérationnels… Tous les acteurs n’ont pas la même compréhension du sujet « énergie ».  L’outil numérique leur proposera des courbes et des analyses, pour communiquer efficacement entre eux. Mieux : le collaborateur en charge du suivi des consommations énergétiques, en général l’energy manager, pourra valoriser l’impact des bonnes pratiques des opérateurs, des réglages des machines ou de la maintenance sur les coûts d’exploitation et les économies d’énergie. « Le travail de l’energy manager s’en trouve renforcé. Il démontre concrètement les bénéfices obtenus grâce à ses actions et la participation des équipes de terrain à ces effets. » Une bonne façon de relier la théorie à la pratique.

 

  |  En conclusion…

Un outil digital dans une chaufferie permet non seulement de faire des économies d’énergie, mais aussi de gagner du temps sur le planning d’exploitation, de diminuer la durée des réparations, d’optimiser le fonctionnement du réseau de chauffage, de changer les équipements à dessein et de valoriser le travail de chacun.

 

Économies d’énergie : n’ajoutez pas de compteurs dans vos usines !

Posted on by F. Gailliot

Pourquoi équiper toutes vos machines de compteurs d’énergie dans le but d’optimiser les consommations énergétiques de votre site industriel ? Vos usines possèdent déjà un grand nombre de données pour faire des premières économies. Reste à savoir quelles sont ces données, où les trouver et comment les exploiter… Quelques éléments d’explication par Vertuoz Industri.e.

 

« Contrairement à ce que l’on croit souvent, la mesure de la consommation énergétique de chaque machine ne permet pas à elle seule de réaliser des économies dans une usine », affirme Zoheir Hadid, Responsable du pôle Efficacité énergétique chez Vertuoz Industri.e. Il est en général nécessaire de relier les consommations d’énergie à la productivité de l’usine, pour prendre en compte les paramètres qui influencent l’activité industrielle, comme la cadence de production, l’état de marche des machines ou la météo.

« Au final, les informations énergétiques représentent moins de 10 % des données que nous exploitons ». Ce qui est intéressant, c’est de savoir que ces données sont accessibles sans avoir besoin d’investir dans de nouveaux compteurs. Chaque machine fournit nativement de nombreuses informations, dont les industriels ne soupçonnent généralement pas tout l’intérêt pour économiser l’énergie.

 

Les données de production et de maintenance, pour mieux agir

Les lignes de fabrication industrielles par exemple donnent accès à une infinité de données de production : volume et variété des produits fabriqués, paramètres de température, de pression et de débit des machines… Celles-ci vont permettre de calculer un indicateur clé de performance, la « consommation d’énergie spécifique », dont l’unité est le nombre de kWh utilisé par unité de produit fini.

Autres paramètres qu’il faut savoir maîtriser dans un objectif d’optimisation : les données de maintenance délivrées par les machines dotées d’alertes, qui traduisent l’usure de la machine.

 

Les données extérieures, pour mieux piloter

Et ce n’est pas tout : les conditions météorologiques, le prix des matières premières et des produits finis ou encore le calendrier des congés du personnel peuvent eux aussi affecter le rythme d’activité de l’usine et donc jouer un rôle sur la « consommation d’énergie spécifique ». « Ces données extérieures à la machine sont de bons indicateurs pour savoir si l’usine fonctionne au mieux de ses possibilités, poursuit Zoheir Hadid. Elles permettent en plus d’adapter les réglages en temps réel selon la météo ou l’effectif de l’usine. Un exemple : la durée de chauffage d’un four, donc la consommation d’énergie, ne sera pas la même selon si le temps est clément ou glacial. L’industriel réglera ses machines en fonction de la situation ».

 

Le croisement des données énergie pour booster la performance

Ces trois typologies de données – de production, de maintenance et extérieures – sont agrégées, croisées avec la mesure des consommations d’énergie, et visualisées sur un même tableau de bord. L’analyse des résultats obtenus permet alors d’optimiser les performances énergétiques de l’usine : « si le nombre de kWh consommé par unité de produit fini varie en fonction du débit de production, de l’ouverture d’une vanne ou encore de l’état d’un automate par exemple, explique Zoheir Hadid, nous saurons que ces paramètres sont de bons leviers sur lesquels agir ».

Mieux, l’étude et l’analyse des données offrent bien d’autres bénéfices aux industriels pour améliorer leur performance globale. Elles permettent :

  • de justifier l’acquisition d’une machine en s’appuyant sur des données réelles et d’évaluer concrètement un retour sur investissement,
  • de visualiser la dérive d’un paramètre et ainsi mieux anticiper les opérations de maintenance,
  • de prédire l’activité de l’usine en fonction de facteurs extérieurs, comme la météo, pour adapter en permanence les stratégies de production,
  • à un site de progresser en comparant ses résultats aux différentes usines de son groupe.

« Une excellente manière de booster l’émulation et d’améliorer les performances à l’échelle de l’entreprise ! », conclut Zoheir Hadid.

Industrie : l’importance de bien structurer les données énergétiques

Posted on by F. Gailliot

Fichiers Excel, relevés manuels, factures, télé-relèves, supervisions, sites web fournisseurs ou météo… En matière d’énergie, les usines multiplient les sources de données. Dès lors, comment permettre à un industriel de disposer d’une vue globale et cohérente de sa performance énergétique ? Pour Vertuoz Industri.e, la réponse tient en trois mots : structuration des données.

 

La structuration des données dans l’industrie : quesako ?

« Les industriels n’ont pas conscience de l’enjeu de la structuration des données car ils sont habitués à construire leur tableau de données sous Excel pour créer leurs graphiques et regarder leurs performances. Sauf que cette méthode ne permet pas de réfléchir au-delà d’une seule machine ou d’un petit périmètre. » Quand il s’agit de faire comprendre l’enjeu de la structuration des données, Zoheir Hadid, Responsable du pôle efficacité énergétique chez Vertuoz Industri.e, préfère les réponses sans filtre. Il faut dire que l’enjeu est de taille pour l’Industrie: sans une bonne structuration des données récoltées, impossible de trouver des pistes d’optimisation énergétique.

Ce constat se comprend assez aisément lorsqu’on se penche sur la temporalité des données récoltées. Quel lien établir entre la consommation énergétique d’une machine, les quantités produites dans 20 références différentes et la facture du fournisseur d’énergie ? Prenons l’exemple d’un constructeur automobile, la structuration des données – spécialité de Vertuoz Industri.e – permet d’organiser intelligemment les données de façon à mesurer et analyser la consommation d’énergie à chaque étape de la chaîne de production (ateliers de peinture, montage, ferrage, emboutissage…) et ramener les consommations d’énergie à chaque véhicule produit.

 

Un travail d’investigation au plus proche du terrain

Pour réussir la structuration des données dans l’industrie, les équipes Vertuoz Industri.e travaillent main dans la main avec celles de leurs clients. Objectifs : réduire la consommation d’énergie par tonne de produits finis et diminuer la variabilité des Indicateurs de Performance Énergétique (IPE). « Nous fonctionnons en binôme. Chez Vertuoz Industri.e nous intervenons avec un architecte de données et un ingénieur efficacité énergétique. De son côté, le client sollicite le plus souvent un ingénieur procédés et un responsable automatisme. Notre mission commune vise à comprendre l’usage des énergies et utilités, à vérifier que l’on ait suffisamment de données pour chaque périmètre à étudier, et savoir où aller les chercher s’il venait à en manquer. Les données existantes sont en général suffisantes pour créer un premier jumeau virtuel du produit, imparfait mais utile pour commencer une analyse pertinente ». Ainsi toutes ces données nous permettent d’avoir une vue dynamique de l’utilisation des énergies, d’étudier les problématiques du client et d’optimiser ses indicateurs.

Passée cette première mission terrain, les données récoltées vont être intégrées à un outil logiciel. Celui-ci va classer les mesures par catégorie, les nettoyer (enlever les points aberrants), les traiter (calculer des indicateurs), préparer l’intégration des données en continue à la base et intégrer une variable temporelle. « L’objectif est de connaître la consommation énergétique pour un produit et non la consommation d’une machine à un instant T. Il s’agit donc de ramener chaque donnée à un même pas de temps : à la minute, voire à la milliseconde si nécessaire. Et ensuite nous allons suivre un produit de A à Z en modélisant les temps de passage dans chaque machine ».

De quoi boucler la structuration ? Pas encore. Chez Vertuoz Industri.e le travail de structuration se co-construit avec le client. « Le double regard est indispensable. Il s’agit d’éviter toute erreur ou omission. Nous repassons les données ensemble. A titre d’exemple, nous pouvons faire le constat qu’un compteur n’est pas bien étalonné pour le calcul d’un indicateur car le bilan énergétique calculé ne reboucle pas avec le bilan énergétique mesuré ». C’est à travers ces échanges continus qu’il est possible de disposer véritablement d’un outil optimal pour piloter la stratégie d’efficacité énergétique dan le secteur de l’industrie. Le résultat d’un grand travail minutieux et ô combien précieux. Voilà qui méritait bien une réponse sans filtre.

 

  |  Structurer c’est quoi ?

C’est mettre en place le « jumeau virtuel » du produit, soit rattacher tous les paramètres de fonctionnement de l’usine à chaque unité produite à partir des différentes sources de données disponibles…

 

Wiki Industri.e : le Système d’Information Énergétique (SIE)

Posted on by F. Gailliot
Système d’Information Énergétique (SIE)
syn : « Système d’Information de Management de l’Énergie »

Le rôle d’un SIE est de fournir la bonne information, au bon moment, sur le bon support (écran, smartphone, etc.) aux bonnes personnes pouvant analyser, décider, agir et évaluer les résultats.

 

1- Bénéfices

2- Forme

 

 

1- Bénéfices du système d’information énergétique (SIE)

Pour les industriels, le Système d’Information Énergétique constitue un outil précieux pour connaître sa façon de consommer l’énergie, prérequis essentiel pour réaliser des économies d’énergies. L’historique de données recueillies permet en effet d’identifier et de répliquer les bonnes pratiques opérationnelles, de fixer des objectifs de rendement, d’analyser de mauvaises performances, ou bien encore d’estimer l’impact de projets d’efficacité énergétique sur les consommations futures.

 

2- Forme

Le Système d’Information Énergétique (SIE) se compose d’appareils de mesure, de moyens de relevé et d’historisation, et de moyens de calcul et d’affichage des données.

Aussi appelé Système de mesurage d’Indicateurs de Performance Énergétique, ce dispositif implique l’achat des éléments de mesure, et l’achat ou la location d’un logiciel de gestion énergétique. Le SIE fournit les informations métier aux opérationnels (exploitation, maintenance, etc.), aux responsables énergie et aux managers (amélioration continue, achats d’énergies, etc.).

Industrie : les outils numériques favorisent-ils vraiment la performance ?

Posted on by F. Gailliot

Favoriser l’usage du numérique dans l’industrie : sur le papier, tout le monde est pour ! En pratique, la mutation n’est encore pas si évidente et certains doutent de l’apport réel des outils numériques sur la performance de leur entreprise. Spécialiste des systèmes industriels, Jean Vieille propose un modèle d’observation de l’usine intelligente et une approche continue de sa transformation informatique. Objectif : améliorer la performance globale de l’entreprise.

 

Quelle serait votre définition de l’usine intelligente ?

La définition succincte que je donne à l’intelligence est la suivante : l’aptitude d’un être vivant à le rester de manière heureuse… En pratique, l’intelligence nait de deux facteurs : les interactions entre sous-ensembles (personnes, services, machines…) et l’intelligence individuelle de ces mêmes sous-ensembles, qui sont tous deux directement supportés par la technologie informatique. On différencie souvent deux domaines informatiques dans l’entreprise industrielle : l’IT (Information Technology) et l’OT (Operational Technology).

 

Justement, IT et OT : quelle différence ?

L’OT désigne les automatismes. Son objectif est d’assurer le fonctionnement efficace et sûr du système de production (usine, ateliers, machines) pour délivrer correctement les produits et services. L’IT répond à tous les autres besoins des processus opérationnels de l’entreprise.

Si l’on prend l’exemple de l’avion, l’IT permet de traiter la billetterie passager, la programmation des vols, etc. L’OT assure le contrôle des équipements de l’avion tels que le système de freinage, de gouverne ou les moteurs, de sortent qu’ils obéissent aux directives qui leur sont données. L’OT gère aussi le contrôle des processus physiques qui vont permettre de faire voler l’avion et de le conduire à destination : traitement des check-lists, système de navigation, pilote automatique… Le lien entre l’IT et l’OT se fait grâce à la gestion des processus physiques qui standardise la communication avec l’avion, permet à la tour de contrôle d’interagir avec lui quels que soient sa marque, son modèle…

 

Comment les nouveaux outils numériques garantissent-ils une meilleure performance pour nos usines ?

Les nouveaux outils digitaux permettent d’améliorer la connectivité entre les sources et bases de données, les unités de traitement, les interfaces humaines. Ils sont à même de traiter l’information plus efficacement en combinant l’aptitude à traiter des volumes de données importants (Big Data) et en développant des formes d’intelligence artificielle (algorithmes d’optimisation…) complétant et stimulant l’intelligence humaine…

  |  La gestion de la performance permet d’orienter les efforts de l’entreprise pour tirer profit de ces technologies au bénéfice de l’intelligence collective. La performance est plus facile à gérer localement, mais elle doit prendre en compte l’impact des comportements qu’elle induit au niveau global. Par exemple, l’optimisation du rendement énergétique d’une pompe peut pénaliser celui du réseau qu’elle sert.

 

Ces outils numériques sont donc des facteurs de transformation de l’entreprise ?

L’entreprise évolue en permanence : travaux de réorganisation, développement des compétences du personnel, investissement sur les équipements, développement de nouveaux produits… D’une part, l’informatique doit accompagner, servir ces évolutions sans les contraindre, et d’autre part évoluer et se renouveler. Des innovations apparaissent sans cesse. Les interactions sont de plus en plus riches. Les marchés imposent une adaptation de plus en plus rapide. Je conseille donc à mes clients de traiter la transformation digitale dans une dynamique d’évolution permanente à l’écoute des véritables besoins et à l’affut des opportunités de tous types. La transformation digitale n’est pas un projet big-bang. C’est un processus permanent de l’entreprise qui n’a jamais cessé.

 

Les bénéfices sont déjà sensibles pour les entreprises ?

Les industriels peuvent saisir toute la valeur ajoutée de ces nouvelles technologies à l’instar de la solution Big Data d’efficacité énergétique Vertuoz Industri.e. Elles permettent d’une part de mieux réaliser les anciens usages – automatiser le reporting, animer des tableaux de bord en temps réel et gagner du temps ; mais aussi réaliser de nouveaux usages – anticipation des défaillances, aide dynamique contextuelle, continuité digitale de la conception à l’utilisation de la machine, clone virtuel, traçabilité totale… De nouvelles façons de travailler qui rendent l’homme lui-même plus intelligent et fier de son travail !

 

A propos de Jean Vieille

Consultant indépendant, Jean Vieille est spécialisé dans le support informationnel des systèmes industriels. Il accompagne les grands comptes et PME dans leur transformation digitale. Fort d’une conception systémique de l’industrie, il place les systèmes informatiques dans une réflexion plus large sur la performance et l’intelligence de l’entreprise.