Dans les usines Colas, le chef de poste dispose d’un rapport de fin de journée sur le nombre de tonnes d’enrobés produites. Ce rapport constitue un historique du fonctionnement de la chaîne tout au long de la journée, mais ne se limite qu’à une description d’événements passés. L’objectif était donc de donner aux chefs de postes de Colas une vision en temps réel du niveau de production de leur poste…. ajoutant ainsi une nouvelle brique à l’application de gestion énergétique personnalisée développée par Energisme pour les besoins du groupe.

Modéliser les variables influant la consommation d’énergie

Energisme collectait déjà un certain nombre de données sur les environnements de production de Colas : les consommations d’électricité, de gaz, d’eau et de température des postes étaient remontées en temps réel par un PC Industriel. L’étape suivante fut confiée à notre équipe de data-scientists : il leur fallait modéliser la production d’enrobé en fonction des données remontées sur l’environnement de l’usine. Autrement dit, en créant un algorithme combinant différentes méthodes de traitements de données, puis en alimentant cet algorithme en temps réel avec les données d’un poste, Colas serait capable de déduire en temps réel le niveau de production de ce poste.

Un algorithme, plusieurs applications à la gestion énergétique

L’algorithme utilisé combinait modèles heuristiques et modèles d’apprentissage (réseau de neurones artificiels). Initialement entraîné avec un an de données (l’ensemble des rapports de fin de journée d’un poste sur une année), il devait ensuite être déployé sur la totalité des usines en s’adaptant aux données spécifiques de chaque environnement. Ainsi déployé, ce type d’algorithmes a de nombreux usages.

  • Prédiction

Une fois la corrélation établie entre les données de consommation et la production finale, l’utilisateur peut prédire sa production en fonction des données futures… mais aussi prédire ses besoins énergétiques en fonction du niveau de production prévue !

  • Détection d’erreurs

Cette corrélation permet aussi d’identifier des événements impossibles à déceler pour l’œil humain. Admettons par exemple que la consommation d’énergie d’un process augmente progressivement au fil des mois, toutes choses égales par ailleurs. D’abord insignifiante, cette surconsommation peut très vite devenir impactante sur les dépenses de l’entreprise. L’algorithme est donc capable de prévenir et d’identifier les dérives de long terme.  Par ailleurs, une fois l’algorithme déployé sur plusieurs sites, une consommation de référence est définie. Cette référence évoluera au fur et à mesure des données remontées par chaque poste, permettant un benchmark évolutif des sites du Groupe ! Un poste ne rentre pas dans les normes ? Il est notifié au responsable de filiale lors du rapport mensuel envoyé par l’application Colas.

  • Réparations

Une fois le modèle prédictif éprouvé, l’utilisateur peut mettre en place une maintenance prédictive sur ses postes. Les données remontées par les capteurs, couplées à l’historique des équipements (fréquence d’entretiens, nombre de pannes sur les 3 derniers mois) sont analysées par le système. Si ce dernier identifie un risque potentiel, l’utilisateur recevra également une notification.

 

Energisme et Nvidia

 

Le fonctionnement d’algorithmes de traitement en temps réel n’était possible qu’en utilisant les processeurs les plus performants sur le marché. Avec les carte GPU Tesla développées par Nvidia, Energisme possède maintenant un atout technologique unique sur le marché des éditeurs de logiciels de gestion énergétique. Et dote sa plateforme de monitoring d’un moteur supplémentaire pour collecter, analyser et valoriser les données d’énergie de ses clients.

Pour en savoir plus sur le partenariat Nvidia et Energisme, rendez-vous sur le blog Nvidia.