Jumeaux numériques : des modèles IA qui clonent vos process industriels (mais pas seulement) pour les optimiser

Un jumeau numérique, « digital twin » en anglais, désigne une modélisation la plus complète possible d’un procédé industriel, d’une machine, ou d’un phénomène naturel. Il ne s’agit pas nécessairement d’une représentation visuelle 3D comme on en rencontre souvent, mais surtout d’un clone algorithmique dont le but est de répliquer tous les phénomènes qui se produisent dans le système ciblé. Avec cet objet numérique qui réagit comme le miroir de la réalité, il devient possible de simuler les comportements des procédés en prenant en compte d’une part les réglages maîtrisés par l’opérateur et d’autre part les conditions de fonctionnements subies par le système.

Intelligence artificielle ou modèle physique déterministe ? Un modèle faisant appel à l’intelligence artificielle se construit le plus souvent exclusivement à partir des données récoltées, sans principe physique pré-établi. Ce choix a l’avantage de ne pas avoir requérir de modéliser tous les phénomènes physiques, parfois complexes ou connus seulement de manière parcellaire. Cependant, ces modèles de « machine learning » doivent nécessairement avoir accès à un historique de données assez complet pour pouvoir être calibrés et fonctionner correctement, ce qui est parfois un obstacle important. A l’inverse, un modèle physique nécessitera d’établir les équations régissant les phénomènes à suivre, sans nécessiter forcément une large acquisition de données. Finalement, c’est parfois le choix d’une combinaison de ces deux types de modèles qui donne les meilleurs résultats.

Dans quel contexte et quels cas d’usages peut-on faire appel à un jumeau numérique ?

Séries temporelles. De manière générale, les jumeaux numériques font nécessairement intervenir la discipline des séries temporelles. Cet aspect de la modélisation permet de simuler les conséquences d’un choix de réglages, ou d’un contexte subi auquel le système doit s’adapter. Cette capacité de prédiction permet ensuite au modèle de proposer la meilleure configuration possible en tenant compte des contraintes que comportent votre métier.
Lire notre page consacrée aux séries temporelles pour plus de détails.

Maintenance prévisionnelle. Si vous recherchez à minimiser le risque de pannes ou de défaillances sur un procédé industriel, l’apport d’un jumeau numérique peut se révéler précieux pour obtenir une vision la plus complète du système. En faisant « jouer » différents scénarios virtuels à ce double digital, on peut déterminer puis choisir celui qui convient le mieux pour diminuer les risques identifiés.
Lire notre page dédiée aux modèles de maintenance prévisionnelle pour en savoir plus.

Jumeau numérique pour un système naturel. Les jumeaux numériques sont dans l’immense majorité des cas associés à des machines, process industriels, ou autres équipements. Cependant, le concept s’applique tout aussi bien à des environnements naturels. Un système hydrographique, par exemple, peut faire l’objet de ce type de modèle, sous réserve d’obtenir suffisamment de données historiques le décrivant. Le double numérique permet alors de suivre les cours d’eau et nappes phréatiques, d’estimer le risque de sécheresse et d’inondation de manière prédictive, ou encore la qualité de ces ressources en eau (concentration en pesticides, en bactéries) en fonction de la saison, des activités humaines et des phénomènes météorologiques.

Détection d’anomalie ou de dérive. Une autre problématique répandue dans l’industrie, à laquelle les « digital twins » peuvent répondre, est liée au phénomène de dérive et autres anomalies. L’existence d’un jumeau numérique permet de surveiller un procédé en continu, et de simuler le fonctionnement de ce dernier. Bien utilisé, il permet donc de déceler des dérives, des écarts entre la réalité observable, et le comportement habituellement attendu par les algorithmes dans ce même contexte. Il s’agit par exemple de dérives de consommation énergétique, chimique ou de matériau, mais aussi de suivre et d’encadrer la qualité d’une production.
Lire notre page sur la détection d’anomalies et de dérives.

Optimiser. De manière plus générale, les jumeaux numériques permettent d’estimer les conditions idéales de fonctionnement, par rapport à des objectifs visés et au regard de contraintes imposées par le métier ou l’environnement. A l’instar de la détection de dérive, l’optimisation peut se concentrer sur la consommation d’énergie, de matériaux, de réactif, sur la qualité de la production ou d’autres grandeurs d’importance pour votre problématique.

Ce dont nous avons nous besoin pour construire un modèle et faire des analyses : données et historiques

Historique nécessaire

A l’image de la plupart des algorithmes prédictifs de type « machine learning », les jumeaux numériques ne peuvent être construits (« entraînés », dans le vocabulaire de la discipline) qu’en présence d’un historique de données suffisant, décrivant au mieux les équipements concernés et leur contexte d’utilisation et de fonctionnement

En général, la durée de l’historique de données nécessaire à un bon apprentissage est de l’ordre de quelques mois, pour de évènements très fréquents et récurrents, à quelques années, pour des évènements plus rares.

Type de données exploitables

Les données que vous pouvez nous fournir pour construire un modèle sont de diverses natures. En dehors de l’historique des grandeurs dont on souhaite estimer l’évolution ou mesurer les dérives, aucune n’est indispensable, mais elles sont autant d’éléments améliorant la performance du modèle de maintenance préventive. Selon le cas d’usage, on retrouvera par exemple :

– historiques des grandeurs à suivre / optimiser
– saisonnalité [intégrée par nos soins]
– données météorologiques (pluviométrie, vent, température, humidité…)
– conditions de fonctionnement (dans le cas d’un équipement, d’une machine) : vibrations, acoustique, fréquence, durée d’utilisation…
– consommations : d’énergie, de combustible, de réactif…

A partir de ces mesures de base, ou d’une partie d’entre elles, un grand nombre de variables secondaires sont calculées et intégrées dans la construction du modèle. L’historique fourni permettra également d’évaluer la pertinence de l’algorithme construit.

Pour aller plus loin et confronter votre cas d’usage à la faisabilité du développement d’un algorithme prédictif de type séries temporelles :

Comment mettre en place votre jumeau numérique ?

Nous vous proposons des services de deux natures différentes :
– un développement selon une formule de type « data scientist freelance » pour votre jumeau numérique, personnalisé selon vos besoins, avec une phase d’étude et une phase de mise en production dans le système informatique de votre choix, facturé en fonction du nombre de jours de travail nécessaire au projet.
– un service de type abonnement récurrent, dont le coût est calculé à partir du nombre d’équipements ou d’unités concernés, des fonctionnalités souhaitées et de la complexité/durée nécessaire à construire le modèle.

Pour aller plus loin : services et autres ressources

– Découvrez les autres solutions de data science et d’analyses de données sur mesure élaborées par Akwari
– Actualité des jumeaux numériques sur Techniques de l’Ingénieur