Industrie 4.0

Comment l’IA transforme l’industrie dans sa quête de nouvelles économies d’énergie ?

   

Depuis l’invention des premiers algorithmes statistiques, les progrès de l’IA sont considérables. Cette intelligence “apprenante” de la machine offre de grandes opportunités dans de nombreux secteurs, notamment celui de l’énergie et de l’industrie. En effet, les modèles statistiques d’IA, construits sur la base de données réelles industrielles, permettent de visualiser en temps réel les dérives énergétiques et d’en identifier des causes possibles, mais aussi de calculer un gain énergétique potentiel et de tester diverses approches pour l’atteindre (voire le dépasser !). 

 

Après un bref rappel historique sur les origines de l’intelligence artificielle, découvrez dans cet article le potentiel de l’IA dans l’industrie au travers de l’approche de nos Data Scientists et d’un cas d’application concret sur site.

Comment est née l’intelligence artificielle ?

Petite histoire de l’IAhistoire de l'IA

Historiquement, la notion d’Intelligence Artificielle date de la seconde moitié du 20ème siècle : dès les années 50, le premier logiciel capable d’apprendre à jouer aux échecs voit le jour. Le terme IA est inventé en 1956. Le terme machine learning, en 1959. 

 

Entre les années 60 et 90, les ordinateurs sont peu performants, les moyens techniques sont limités… L’IA est encore jeune. On appelle cette période “l’hiver de l’IA”.

 

Entre 1996 et 1997, l’IA “Deep Blue” - programme lancé par IBM - bat le champion du monde d’échecs !

 

Rebelote en 2016, le champion du jeu de Go - plus complexe que le jeu d’échecs - est battu par Deep Mind, IA programmée par Google, environ 20 ans plus tôt que ce à quoi tout le monde s’attendait !

 

Quelle définition de l’intelligence artificielle peut-on retenir ?

Une des définitions simples de l’IA pourrait être : “programmes informatiques en mesure d’ajuster leur comportement en fonction des traitements et mesures qu’ils ont à effectuer”. On parle d’intelligence artificielle “apprenante”.

data sciences disciplines

La Data Science, discipline englobante permettant de développer des algorithmes pour l’IA, se trouve au coeur de 3 thématiques :

  • l’informatique,
  • les mathématiques,
  • l’analyse des données.

 

A leur intersection, on retrouve différentes compétences majeures dans le domaine de l’énergie : la manipulation de données, l’analyse exploratoire, et la modélisation.

Comment ça marche, l’intelligence artificielle ?

Qu'est-ce qu'un modèle d'intelligence artificielle ?

Dans l’industrie, on peut définir qu'un modèle est une représentation mathématique d’un phénomène, par exemple la consommation énergétique.

 

Le modèle a pour but d'analyser ce phénomène en le simplifiant, c’est-à-dire en le «  réduisant » à la somme de quelques variables d’influence afin d'en clarifier sa compréhension. On parle aussi de variables explicatives, ou de Features (e.g. une donnée issue de la production).

 

Exemples de modèles d’intelligence artificielle pour l’industrie :machine learning deep learning ia

Le machine learning et le deep learning, deux familles de modèles en intelligence artificielle

 

 

Chez Energiency, les Data Scientists utilisent 2 familles de modèles :

 

  • Le machine learning. Ex: le Gradient Boosting Tree. Il s’agit d’une famille de modèles qui reposent sur des arbres de décisions (forêts aléatoires, avec techniques de renforcement qui permettent de renforcer la précision des modèles par itérations). 

 

  • Le deep learning. Ex : réseaux de neurones. Il s’agit d’une famille de modèles organisés en couches de plusieurs neurones, qui reçoivent des données d’entrées et vont reproduire un signal de sortie selon différents paramètres (lois de sorties). Par exemple, un seuil d’activation. Ces modèles permettent d’obtenir une bonne précision de modélisation des données de sortie. 

Exemple d’utilisation de l’intelligence artificielle dans l’industrie : la méthode déployée chez Energiency

méthode data science Energiency

Schéma illustrant les étapes de modélisation d’un phénomène industriel avec l’intelligence artificielle 

 

1. Formuler un problème et identifier les données utiles

La première étape est de savoir ce que l’on veut chercher et optimiser ! En analysant le contexte industriel, les Data Scientists vont alors se poser les questions suivantes :

  • Quelle est la variable à expliquer ?
  • Quelles sont les variables explicatives possibles ?

 

Une erreur courante serait de collecter un maximum de données au hasard. Or, la bonne pratique est de plutôt commencer par formuler une problématique, puis d’identifier les données utiles qui permettront de répondre au problème.

 

Dans le domaine de l’énergie, ces data sont typiquement :

  • Les données liées à l’énergie et aux fluides,
  • Les données liées à la production et à l’activité (rythme d’activité, shift…),
  • Les données liées à la météo (température, humidité…).



2. Nettoyer les données

Après avoir sélectionné les bonnes données, les Data Scientists vont ensuite réaliser une étape de cleaning et de filtres, afin d’exclure les aberrations ou données non pertinentes.

 

3. Construire le jeu de données

Dans la construction des modèles d’intelligence artificielle, on utilisera bien sûr les données initiales nettoyées préalablement, mais aussi de nouvelles données construites par les Data Scientists. On parle de Feature Engineering.

 

Ces données sont calculées à partir des variables brutes, mais disposent d’un pouvoir explicatif supérieur. Généralement, ce sont ces types de variables construites qui permettent d’améliorer la précision des modèles.

 

Exemple de variables calculées :

  • heure de la journée,
  • été / hiver,
  • production avec un lag de x temps.

 

4. Entraîner le modèle

Vient ensuite une période d'apprentissage du modèle, afin d’ajuster sa précision par itérations. 

 

Il existe des boucles de rétroaction pour corriger les erreurs à chaque étape, en fonction des performances obtenues : c’est le principe de l’apprentissage du modèle d’IA. Pour bien apprendre, un modèle doit être alimenté avec une "bonne" variété de données (en termes d'historique  et de nombre de variables à disposition).

 

5. Tester et mesurer les performances via des indicateurs

Après l'apprentissage, place au contrôle sur table ! Pour évaluer la pertinence du modèle, on le soumet à une période de tests, puis on mesure ses prédictions par rapport à la réalité. Par exemple, on peut s'assurer que le modèle s'adapte bien à des arrêts et à des redémarrages de machines industrielles (à la bonne vitesse, et avec les bons ordres de grandeurs).

Le delta représente alors l'erreur du modèle. Si le modèle est bon, l'erreur est centrée autour de 0

 

Une fois le modèle suffisamment entraîné, on peut alors calculer un potentiel de gain énergétique. Pour cela, on regarde les dérives les plus importantes et, via une matrice d'hypothèse, on estime les gains réalisables grâce à l'utilisation du modèle.

 
 

Les écueils à éviter dans la construction des modèles : 

underfitting-overfitting-ia

  • Le sur-apprentissage (“Overfitting”) : un modèle qui reproduit parfaitement les valeurs de base. Il est très précis dans la période d’entraînement, mais moins performant dans la période où il découvre des données nouvelles. Pour bien comprendre, imaginez un élève qui aurait appris par cœur, mais sans comprendre !
  • Le sous-apprentissage (“Underfitting”) : un modèle pas du tout ajusté, trop imprécis. Ici, il s’agirait d’un élève qui n'aurait juste pas appris, ou mal appris, sa leçon.

 

Il faut donc s'assurer que les performances soient les plus similaires possible entre l'apprentissage et l'entraînement (on pourra dire qu'on a su consolider une généralisation du modèle à l'ensemble des situations réelles), tout en étant les plus précises possible.

Encore une fois, exactement comme un élève qui apprend à faire des opérations !

 

Utilisation des modèles IA chez Energiency 

 

1. Étude du potentiel de gain à partir des données historiques

Les Data Scientists commencent par une étude de potentiel de gain sur les données historiques (12 à 18 mois de données). Nos équipes vont alors :

  1. Identifier les facteurs d’influence pertinents et quantifier le poids de ces facteurs sur la consommation,
  2. Créer les modèles,
  3. Calculer le potentiel de gain énergétique.

En termes de facteurs d’influence, on peut identifier des facteurs avec un poids important (influence forte), mais aussi d’autres facteurs plus légers et ajustables manuellement ou automatiquement, comme les réglages d'une machine (e.g. température de consigne d'un four, fréquence des maintenances, débit de fluide engagé, etc.).

 

Cette étape permet de définir une cible de potentiel de gain (e.g. pourcentage d’économies d’énergie réalisable sur un atelier). Cet objectif énergétique sera le “cap” à maintenir dans toutes les étapes suivantes.

 

2. Implémentation des modèles statistiques d’IA sur la plateforme 

Une fois les modèles d’IA testés et suffisamment entraînés, les Data Scientists vont implémenter les modèles dans le logiciel de performance énergétique

 

La plateforme permet, entre autres, de visualiser les dépenses et d’effectuer un suivi en temps réel de la performance énergétique. On parle aussi de Système de Management de l'Énergie (SME).



💡 Plus de détails sur les SME :


Supportés par l’IA, les Systèmes de Management de l’Energie facilitent l’amélioration continue de l’efficacité énergétique, en permettant :

    • de mettre en place et de suivre des indicateurs de performance,
    • de mettre en place un plan d’actions d’efficacité énergétique,
    • de déterminer les facteurs influents,
    • de mesurer la performance énergétique,
    • d’apporter des systèmes de seuils et d’alarmes en fonction des consommations énergétiques par rapport à un modèle de référence.



Ce paramètrage permettra, entre autres, de visualiser :

  1. Des alertes de sur-consommation, en temps réel, sur la base du modèle de consommation de référence (référence à “respecter” au regard des objectifs d’économies souhaités sur la période).
  2. Les facteurs à l’origine des écarts de consommation énergétique.



3. Recherche de solutions concrètes de gains énergétiques par les Energy Managers

Une fois le potentiel de gain détecté et la plateforme opérationnelle, l’enjeu est de pouvoir faire les bonnes hypothèses et de pouvoir prendre les décisions pertinentes en fonction des dérives énergétiques et patterns de consommation observés


Les Energy Managers, garants du suivi opérationnel des consommations d’énergie et de la recherche de pistes de gains concrètes, prennent alors le relais.  Parmi leurs missions, on retrouve :

  1. Analyser les écarts à la consommation énergétique de référence, 
  2. Tester des approches correctives et valider les gains énergétiques réalisés (ou continuer d’ajuster),
  3. Réaliser des bilans réguliers des économies atteintes.

 

4. Mise à jour des modèles d’intelligence artificielle

Les Data Scientists mettent à jour les modèles tous les ans - si les performances ont été au rendez-vous -, sur la base des données recueillies sur la nouvelle période.

 

L’approche globale s’ancre donc dans une logique d’amélioration continue, afin d'identifier de nouveaux gisements d’économie d’énergie, grâce à une analyse très fine des consommations et des facteurs d’influence.

En conclusion : Intelligence Artificielle ne va pas sans …Intelligence Humaine !synergie data science energy manager usine-1

Pour être opérante, l’IA doit être :

  • pertinente : avec des modèles précis, des alertes pertinentes...
  • simple d’utilisation : la plateforme doit être ergonomique, réactive...
  • simple d’interprétation : les facteurs explicatifs des écarts ne doivent pas être trop difficiles à identifier.

 

Mais attention, l’IA ne reste qu’un outil ! On parle beaucoup de digital, mais le digital seul ne va pas très loin. Les industriels ont besoin de s’armer de compétences, d’expérience et de bonnes intuitions humaines en parallèle. On parle alors d’Intelligence Humaine.

 

Voilà pourquoi nos équipes sont en étroite collaboration avec les sites industriels, les directeurs-trices industrielles, responsables maintenance, Energy Managers et opérateurs… pour ajuster les modèles et identifier les bons correctifs grâce à l'expérience du terrain. Ce sont ces échanges humains qui assurent la qualité des recherches en économie d’énergie.

Comment les entreprises industrielles peuvent profiter du potentiel offert par l’intelligence artificielle : la success story SKF

Pour découvrir un cas d’application concret des modèles statistiques élaborés par Energiency, téléchargez la success story de SKF, fabricant mondial majeur en roulements :

success-story-skf-banner

Vous y découvrirez :

  • Le challenge initial de SKF dans sa recherche de gains énergétiques complémentaires sur son atelier le plus énergivore.
  • La rencontre avec Energiency.
  • La mise en place de 2 modèles d’IA basés sur 18 mois de données de production - très riches - et de consommation (électricité et air comprimé).
  • Le déploiement de l’application Energiency et le suivi opérationnel avec les Energy Managers (visualisation sur rapport hebdomadaire, monitoring sur un pas de temps de 10min, alertes de sur-consommation, management visuel par couleur, recherche d’amélioration continue…).

 


 

Cet article est un résumé du webinar "L’IA au service de l’industrie", organisé le 13 janvier 2021 par l'ATEE.

 

Vous vous demandez si l’intelligence artificielle et une étude en data sciences vous permettraient d’identifier de nouveaux gisements d’économie d’énergie ? Chaque situation industrielle étant unique, n’hésitez pas à nous contacter pour que nous étudions votre contexte et votre gestion énergétique actuelle.

   
Allons encore plus loin en matière d'économies d'énergie !
Contactez-nous
     
   
Arnaud Legrand

En tant qu'auditeur Energie, je me suis rendu compte que les données étaient la plupart du temps inexploitées par les industriels pour réaliser des économies d'énergie. J'ai décidé de créer Energiency afin de mettre l'intelligence artificielle au service des industriels pour accélérer leurs économies d'énergie.