« Pour apporter une réelle valeur ajoutée, l’IA industrielle a besoin d’un contexte fiable, pas seulement de davantage de données. »
Par John Nixon, vice-président au niveau mondial et responsable du pôle Industries de transformation chez Siemens Digital Industries Software.
Depuis des années, les leaders industriels qualifient les données de « nouveau pétrole ». Cette expression est pertinente car elle reflète une réalité : les données ont une vraie valeur. À l’ère de l’intelligence artificielle (IA) industrielle, du jumeau numérique complet et de la transformation numérique, les données aident les entreprises à mettre au jour des informations qui étaient auparavant enfermées dans des documents d’ingénierie, des rapports de laboratoire, des modèles de processus, des registres de maintenance, des systèmes anciens et dans l’expérience opérationnelle.
En réalité, pour ce qui concerne les leaders industriels, cette métaphore est incomplète et parfois trompeuse.
Le pétrole a de la valeur parce que nous pouvons l’extraire, le raffiner et le transformer en produits utiles grâce à des processus physiques bien compris. Il n’en va pas de même pour les données industrielles. Elles n’ont pas de valeur du simple fait de leur existence. Elles en acquièrent lorsque les personnes et les systèmes comprennent ce qu’elles signifient, d’où elles proviennent et comment elles s’articulent avec d’autres informations, et si elles sont suffisamment fiables pour être utilisables dans un processus réel de prise de décisions opérationnelles.
Siemens Voilà pourquoi les données ne sont pas le nouveau pétrole, mais un univers numérique inexploré.
Dans les secteurs de l’énergie et de la chimie, ainsi que d’autres industries utilisant de nombreux actifs de production, chaque site de production possède son propre « terrain numérique ». Les définitions de produits, les recettes de procédés, les exigences techniques, les paramètres de qualité, les modèles de simulation, les spécifications des équipements, les registres de maintenance, les inspections sur site et l’historique de production décrivent tous différents éléments d’une même réalité. Pourtant, ces éléments sont souvent dispersés dans des systèmes distincts, utilisent des langages variés et évoluent à des rythmes différents.
L’IA industrielle ne peut pas révéler les informations cachées au sein de ce paysage en devinant sa topographie. Elle a besoin d’une carte.
La complexité d’un univers numérique non cartographié
Prenons l’exemple d’une entreprise énergétique d’aval, qui exploite une raffinerie et produit des additifs chimiques de spécialité destinés aux carburants, aux lubrifiants ou à des applications industrielles. À première vue, cet environnement semble familier : les matières premières arrivent sur le site, les procédés les transforment, les équipes qualité valident les produits finis et les équipes opérationnelles assurent le bon fonctionnement des équipements.
Mais derrière ce processus physique se cache un univers numérique beaucoup plus complexe.
Il se peut que l’entreprise gère les définitions de ses produits et procédés à l’aide d’un système intégré de gestion du cycle de vie. Peut-être possède-t-elle des données de formulation et de recettes issues de son laboratoire qui ont évolué au cours de la production pilote puis ont été adaptées à la fabrication à l’échelle commerciale. Des exigences techniques peuvent exister, liées aux équipements, à la logique de contrôle, aux plans d’inspection et aux contraintes de sécurité. L’entreprise peut disposer de modèles de simulation utilisés pour comprendre le comportement des réactions, la dynamique des flux, les propriétés des matériaux, les transferts thermiques, le risque d’encrassement ou les contraintes d’extrapolation. Elle peut également disposer de flux de travail de maintenance sur site qui envoient des spécialistes inspecter les actifs, vérifier l’état des équipements, passer en revue leur historique de maintenance ou confirmer que leur installation physique correspond bien au dossier numérique de référence.
Prises individuellement, ces sources de données peuvent être exactes. Le problème réside dans le fait qu’elles ne sont pas isolées mais entretiennent des relations entre elles.
Siemens La formulation est liée aux spécifications du produit. Les spécifications du produit sont liées à la recette. La recette est liée aux conditions de procédé. Les conditions de procédé sont liées aux capacités des équipements. Les capacités des équipements sont liées à l’inspection, à la maintenance, aux exigences de sécurité ainsi qu’aux observations effectuées sur le terrain. Les observations effectuées sur le terrain sont en retour liées à l’historique des équipements, aux hypothèses techniques et aux futures améliorations de conception.
Un opérateur peut comprendre ces relations de manière intuitive. Un ingénieur en procédés peut savoir qu’un changement de viscosité influe sur le choix de la pompe. Un planificateur de maintenance peut savoir qu’un problème récurrent au niveau des joints est lié aux conditions d’exploitation plutôt qu’à la pompe elle-même. Un technicien de terrain peut constater que l’équipement qu’il entretient ne correspond plus parfaitement à la documentation de conception d’origine. Un responsable qualité peut savoir qu’une légère modification de formulation en laboratoire pourrait entraîner des variations importantes à l’échelle industrielle.
Mais à moins que des humains ne définissent, relient et régissent ces relations, l’IA industrielle doit les déduire à partir des indices contextuels incomplets contenus dans les données.
Et c’est là que le risque s’introduit dans le système.
Imaginons qu’un opérateur demande à un assistant IA pourquoi un lot de produit chimique de spécialité présente des performances hors limites. Pour pouvoir fournir une réponse utile, l’assistant peut avoir besoin de données issues de la gestion du cycle de vie des produits (PLM), du développement des formulations, de la simulation des procédés, de l’exécution de la fabrication, de la maintenance des équipements, des registres de suivi de la qualité et des récentes inspections effectuées sur site. Si l’IA a accès à un rapport de maintenance pertinent mais pas à l’information indiquant une modification de la formulation, elle risque de surestimer la responsabilité de la défaillance de l’équipement. Si elle a accès à la modification de la formulation mais pas à l’historique des inspections, elle risque de ne pas détecter la dégradation d’un échangeur thermique. De même, si elle a accès aux données d’exploitation mais pas à l’intention technique régissant le processus, elle risque de recommander un changement qui améliorera le débit mais introduira des risques en matière de qualité, de conformité ou de sécurité.
Le problème ne provient pas d’une défaillance de l’IA, il provient du fait que le paysage numérique n’est pas cartographié.
La gestion intégrée du cycle de vie constitue la colonne vertébrale organisationnelle
Voici pourquoi la gestion intégrée du cycle de vie revêt une importance capitale dans les industries de transformation. Il ne s’agit pas simplement de créer un système d’enregistrement de plus. Il s’agit de mettre en place la colonne vertébrale organisationnelle qui relie le produit, le procédé, l’usine et le contexte opérationnel tout au long du cycle de vie.
Dans le secteur des produits chimiques de spécialité, le produit ne se résume pas à une matière physique. C’est aussi une formulation, une définition de procédé, des attentes en matière de qualité, une obligation réglementaire, une stratégie de fabrication et un ensemble de contraintes opérationnelles. Le cycle de vie commence bien avant la production à grande échelle. Il débute par la recherche, puis viennent les étapes de la formulation, de la validation à l’échelle pilote et de la définition de la fabrication, qui sont suivies par l’exploitation, le service après-vente, l’optimisation et les améliorations futures du produit.
Si la continuité numérique est rompue à n’importe quel moment de ce parcours, l’entreprise perd le contexte. Le transfert du laboratoire à l’usine devient un exercice de traduction. Le lien entre les conditions de procédé prévues et les performances opérationnelles constatées s’affaiblit. Les activités de maintenance et d’inspection sont déconnectées des décisions relatives au produit et au procédé qui sont à l’origine des exigences en matière d’équipements.
Une approche intégrée du cycle de vie change la donne. Elle contribue à assurer une continuité entre la conception et la commercialisation, entre l’intention initiale du produit et l’exécution du procédé, et entre la réalité opérationnelle et les connaissances techniques. Elle permet aux équipes de comprendre non seulement quelles données existent, mais aussi pourquoi elles existent et comment les utiliser.
La distinction qui suit est importante.
Une raffinerie ou une usine de produits chimiques de spécialité n’est pas une feuille de calcul. C’est un système vivant. Les équipements vieillissent. Les matières premières varient. Les objectifs environnementaux évoluent. Les priorités de production changent. Les exigences des clients fluctuent. Les techniciens de terrain découvrent des divergences qui ne figurent dans aucun document de conception. De nouveaux matériaux et composés chimiques induisent de nouveaux comportements. Chaque changement ajoute de la complexité à l’univers numérique qui entoure l’usine physique.
Sans le contexte du cycle de vie, chaque nouveau point de données ajoute du bruit.
Avec le contexte du cycle de vie, chaque nouveau point de données peut enrichir les connaissances.
Les données FAIR contribuent à rendre l’environnement exploitable
Il va de soi que les entreprises ne peuvent pas se contenter de connecter des systèmes cloisonnés à l’IA industrielle et s’attendre à des résultats fiables. Sans contexte, comment les opérateurs ou les algorithmes peuvent-ils savoir si les données sont correctes ? Comment peuvent-ils savoir si deux points de données décrivent le même équipement, la même formulation, la même condition de procédé ou la même version d’une spécification ?
Ces défis s’amplifient avec le temps. La complexité des données se comporte comme l’entropie : elle ne se simplifie pas naturellement. Elle s’accroît à mesure que les entreprises évoluent en ajoutant des sites de production, des équipements, des produits, des réglementations, des partenaires, des fournisseurs, des outils numériques et des modèles opérationnels.
Une réponse concrète consiste à rendre les données faciles à trouver, accessibles, interopérables et réutilisables (FAIR). Les données FAIR ne constituent pas un idéal abstrait de la science des données. Dans les industries de transformation, elles permettent aux équipes en charge de l’ingénierie, de la fabrication, de l’exploitation, de la qualité et du service après-vente de travailler en s’appuyant sur une compréhension commune du système de production.
Les données « Faciles à trouver » sont détectables par les personnes et les systèmes. Les données « Accessibles » sont utilisables par les parties prenantes et applications concernées. Les données « Interopérables » peuvent circuler d’un système à l’autre sans perdre leur sens. Les données « Réutilisables » sont suffisamment structurées, contextualisées et régies pour pouvoir étayer les décisions futures.
La valeur des données FAIR apparaît particulièrement clairement dans le cadre du service sur le terrain. Un spécialiste missionné pour inspecter un équipement dans une raffinerie ne peut pas se contenter d’éléments d’informations isolés. Il a besoin du dossier de l’équipement, du contexte technique, de l’historique de maintenance, des conditions de procédé, de la procédure d’inspection et des contraintes de sécurité. Il peut également avoir besoin de consigner ce qu’il observe sur le terrain, afin que le dossier numérique reflète la réalité physique présente.
Cette inspection ne doit pas rester une note de service isolée. Elle doit être intégrée à l’historique du cycle de vie de l’équipement, en lien avec les performances du procédé, la planification de la maintenance, les hypothèses techniques et les futures décisions opérationnelles.
C’est là toute la différence entre saisie de données et compréhension du cycle de vie.
Les ontologies cartographient les liens entre les données
Même lorsque les principes FAIR sont respectés, l’IA industrielle a toujours besoin d’un moyen de comprendre les relations entre les données. C’est là que les ontologies prennent toute leur importance.
Une ontologie est un moyen de décrire la signification des données et leurs relations dans un domaine spécifique. Dans une usine de produits chimiques de spécialité, l’ontologie peut aider à définir comment les matières premières, les produits, les formules, les lots, les équipements, les paramètres de procédés, les inspections, les opérations de maintenance, les indicateurs de qualité et les exigences techniques sont liés entre eux.
Alors que leur expérience permet souvent aux humains de comprendre ces relations, l’IA, elle, a besoin que ce contexte soit explicité. Sans ontologie, les données peuvent présenter des similitudes trompeuses. Par exemple, une valeur de température peut décrire une expérience en laboratoire, une condition aux limites de simulation, un point de consigne de procédé, un relevé historique réel ou une observation faite lors d’une inspection. Pour un expert humain, les différences sont évidentes, mais un système d’IA a besoin de définitions précises de ces valeurs.
Siemens Les ontologies jouent le rôle de cartes du monde numérique. Elles permettent non seulement de localiser les informations, mais aussi de connaître les liens qui les relient. Elles indiquent si ces relations sont directionnelles, conditionnelles, historiques ou de référence. Tout comme une carte physique aide un explorateur à ne pas confondre une rivière, une route et un pipeline, les ontologies numériques aident l’IA industrielle à ne pas considérer comme équivalents des points de données sans rapport entre eux.
C’est de cette façon que les entreprises peuvent passer de la simple accumulation de données à la compréhension de celles-ci.
Le jumeau numérique complet signale les lacunes de la carte
Le jumeau numérique n’est pas un concept nouveau. Dans sa forme la plus simple, il s’agit d’une représentation virtuelle d’un objet, d’un processus ou d’un système physique. Dans les environnements industriels, un jumeau numérique peut relier les données d’ingénierie, la logique de simulation, les données d’exploitation et l’historique du cycle de vie afin d’aider les entreprises à comprendre et à améliorer les performances dans le monde réel.
Siemens Un jumeau numérique complet va encore plus loin. Il peut représenter des systèmes plus vastes, des installations de production et des relations tout au long du cycle de vie. Pour une raffinerie ou une usine de produits chimiques de spécialité, ce jumeau numérique peut inclure des unités de traitement, des équipements, des systèmes de contrôle, des flux de matières, des contraintes d’exploitation, des rapports d’inspection, des historiques de maintenance et des modèles de simulation.
Le jumeau numérique complet est puissant car il met en évidence les lacunes.
Lorsque le jumeau numérique signale des discordances entre le modèle de procédé et l’historique d’exploitation actuel, l’entreprise peut identifier les lacunes contextuelles. Lorsqu’il révèle qu’une inspection sur le terrain contredit le dossier technique, l’entreprise peut identifier à quel endroit les réalités physique et numérique divergent. Lorsque les recommandations générées par l’IA varient en fonction du système qui fournit les données, l’entreprise comprend que les relations entre ses données ne sont pas correctement régies.
Voilà pourquoi le jumeau numérique complet n’est pas seulement un outil de prévision ou d’optimisation. C’est également un test de maturité des données. Il indique si le monde numérique est suffisamment bien cartographié pour permettre d’étayer les décisions prises dans le monde physique.
Ce que permettent des données connectées et contextualisées
Lorsque les entreprises industrielles connectent et contextualisent leurs données et en assurent la gouvernance, elles maximisent la valeur de l’IA industrielle, du jumeau numérique et des autres technologies de transformation numérique. Elles améliorent le traitement des incidents, optimisent le rendement, accélèrent la mise à l’échelle, réduisent les temps d’arrêt, renforcent la constance de la qualité et favorisent l’amélioration de la sécurité des opérations sur le terrain.
Cela peut aider les fabricants de produits chimiques de spécialité à passer de bons résultats de laboratoire à une production industrielle fiable. Pour les exploitants de raffineries, cela peut renforcer le lien entre les performances des équipements et les résultats des procédés. Cela peut permettre aux équipes de maintenance et d’intervention sur site de disposer de meilleures directives avant, pendant et après les travaux d’inspection. Pour les équipes d’ingénierie, cela peut créer une boucle fermée par laquelle les informations opérationnelles éclairent les conceptions futures et l’amélioration des procédés.
Mais la valeur la plus importante est d’ordre organisationnel. Lorsque les silos de données commencent à disparaître, les équipes cessent de travailler à partir de versions divergentes de la réalité. Elles prennent alors leurs décisions à partir d’un contexte de cycle de vie commun. Dès lors, l’IA industrielle peut fonctionner moins comme un moteur d’hypothèses et davantage comme un outil d’aide à la décision fiable, fondé sur la connaissance du domaine et la réalité opérationnelle.
C’est là la véritable leçon qui se cache derrière la métaphore « les données sont le nouveau pétrole ».
Le pétrole prend de la valeur lorsqu’il est transformé dans une raffinerie. Les données prennent de la valeur lorsqu’elles s’inscrivent dans un contexte qui les relie, les régit et garantit leur signification tout au long du cycle de vie.
Les entreprises industrielles n’ont pas besoin de nouveaux silos de données isolés. Elles ont besoin d’un paysage numérique cartographié, où les produits, les procédés, les usines, les actifs et les informations de maintenance sur site sont connectés entre eux tout au long du cycle de vie, grâce à une structure fiable capable d’étayer des décisions concrètes.
Les données ne sont pas le nouveau pétrole. Elles sont le terrain sur lequel les organisations industrielles doivent apprendre à s’orienter. Les entreprises qui parviennent à bien le cartographier sont les mieux placées pour accéder pleinement à la prochaine ère de l’intelligence industrielle.
Pour en savoir plus, visitez le site : www.siemens.com/make_data_the_new_oil
À propos de l’auteur :
John Nixon est vice-président au niveau mondial et responsable du pôle Industries de transformation chez Siemens Digital Industries Software. Il dirige une équipe internationale qui aide les industries de transformation à tirer parti de solutions numériques permettant d’améliorer l’efficience, d’accélérer l’innovation et d’atteindre leurs objectifs de développement écoresponsable.
John possède plus de trente ans d’expérience dans les domaines de la stratégie, des opérations et du déploiement technologique dans les secteurs de l’énergie, de la chimie, des sciences de la vie et des biens de grande consommation. Il connaît parfaitement les contraintes opérationnelles et commerciales propres à l’industrie, notamment les exigences réglementaires, la décarbonation, les pénuries de talents et la nécessité d’innover.
Contenu proposé par SIEMENS