La plupart des démonstrations de jumeaux numériques montrent un modèle 3D tournant dans le navigateur, avec des couleurs changeant à mesure que les données arrivent des capteurs. Il est visuellement époustouflant et fonctionnellement hors de propos pour presque tous les cas d'utilisation industrielle. Ce qui rend un jumeau numérique utile n'est pas la fidélité visuelle du modèle, mais sa capacité à refléter l'état actuel de l'actif physique avec suffisamment de précision pour prendre en charge des décisions qui ne seraient pas prises sans lui. Un fichier CAO connecté à un capteur de température n'est pas un jumeau numérique. Un modèle qui capture le comportement dynamique des équipements au fil du temps, qui apprend de l'historique de fonctionnement et qui permet de tester des hypothèses sans arrêter la chaîne de production, c'est tout. La différence est importante car elle a un impact direct sur les domaines dans lesquels l’investissement est judicieux et dans ceux qui ne le sont pas.
Qu'est-ce qui définit un jumeau numérique utile
Le jumeau numérique part d'un modèle (mathématique, physique ou hybride) qui représente le comportement de l'actif. Pour une pompe centrifuge, le modèle peut inclure des courbes de performances, des corrélations entre débit et pression, des limites de température de fonctionnement. Pour un moteur électrique, cela peut inclure le modèle de vibration attendu à différentes vitesses et charges. Pour une ligne de production, cela peut inclure le temps de cycle de chaque étape, les tampons intermédiaires et les dépendances entre postes.
Ce qui différencie un modèle de jumeau numérique, c'est la synchronisation avec l'actif réel via les données des capteurs. Le modèle met à jour son état interne au fur et à mesure qu'il reçoit des données de l'équipement, ce qui lui permet de calculer non seulement l'état actuel mais également l'écart par rapport à l'état attendu. Lorsque la pompe fonctionne 15 % en dessous de la courbe de performances prévue, le jumeau détecte l'écart avant que l'opérateur ne remarque des symptômes physiques, car il compare les données réelles avec le comportement attendu du modèle, sans attendre que l'opérateur remarque que quelque chose ne va pas.
Le mot qui compte le plus ici est « apprendre ». Un jumeau statique, créé à partir des spécifications d'usine et jamais mis à jour, commence à s'écarter de l'actif réel dès le premier jour d'exploitation, car l'équipement vieillit, les conditions de fonctionnement changent et les spécifications d'usine capturent rarement les nuances de l'environnement d'installation spécifique. Un jumeau qui se met à jour avec les données historiques et ajuste les paramètres du modèle pour refléter le comportement réel observé présente une utilité croissante au fil du temps. Cette composante d’apprentissage est la plus difficile à mettre en œuvre et la plus souvent négligée dans les premiers projets.
Là où le jumeau numérique génère des retours aujourd'hui
La maintenance prédictive est le cas d’utilisation le plus mature. Un double équipement rotatif (turbine, compresseur, pompe) qui surveille les vibrations, la température, la pression et le courant électrique peut détecter les pannes naissantes des semaines à l'avance. La différence par rapport à la simple surveillance de seuil – alerte lorsque la vibration dépasse X – est que le jumeau détecte un changement de modèle, pas seulement un franchissement de seuil. Un roulement qui commence à montrer une signature de défaut à la fréquence de défaut de la cage ne franchira pas le seuil de vibration absolu avant des semaines, mais le motif spectral est déjà détectable. Cette fenêtre précoce vous permet de planifier la maintenance lors du prochain arrêt programmé plutôt que d'arrêter la production en raison d'une panne catastrophique.
La mise en service de nouveaux équipements est un autre cas avec un retour sur investissement clair. Avant de mettre sous tension un nouvel équipement, un jumeau vous permet de tester le comportement attendu dans différents scénarios de charge et d'identifier les réglages de paramètres qui optimisent les performances dès le départ. Dans les usines dotées d'équipements de traitement complexes, cette phase de simulation peut réduire le temps de démarrage de plusieurs semaines.
La formation des opérateurs est une application sous-estimée. Un jumeau de processus peut être utilisé pour simuler des scénarios de panne, d’urgence et de conditions anormales sans mettre en danger l’équipement réel. L'opérateur apprend à identifier et à réagir aux écarts dans un environnement contrôlé avant d'affronter la situation réelle.
Les données dont la plupart des entreprises ne disposent pas
La limitation la plus courante qui empêche la mise en œuvre des jumeaux numériques n’est pas la technologie, mais les données. Un jumeau d’équipement rotatif a besoin d’un historique de vibrations, de températures et de pressions à haute fréquence. Mais la plupart des installations industrielles collectent ces données à faible fréquence (une lecture toutes les minutes ou heures) car les systèmes de contrôle sont conçus pour la surveillance des processus et non pour l'analyse de l'état des équipements. Pour détecter les défaillances naissantes à des fréquences caractéristiques d'un défaut mécanique, la fréquence d'échantillonnage doit être au moins dix fois supérieure à la fréquence d'intérêt — pour les roulements, cela signifie kHz et non Hz.
La décision de moderniser les instruments existants pour prendre en charge un jumeau représente souvent le coût de mise en œuvre le plus important, et non le logiciel. L'ajout de capteurs haute fréquence aux équipements d'exploitation nécessite des temps d'arrêt pour l'installation, ce qui entraîne des coûts de production. Certaines applications permettent une instrumentation non invasive (accéléromètres autocollants, mesure du courant électrique CT), mais d'autres nécessitent une installation permanente à des points spécifiques de l'équipement.
L’autre élément de données qui manque souvent est l’historique des échecs avec un contexte suffisant. Pour entraîner un modèle de détection d'anomalies, le jumeau a besoin d'exemples de comportement normal et de comportement anormal précédant l'échec. Si l'historique de maintenance est sur papier ou dans des champs sans texte dans un système existant, sans corrélation avec les données des capteurs, le modèle n'a aucune base d'apprentissage. Nettoyer et structurer cet historique est un travail intensif et rarement pris en compte dans le budget d’un projet de jumeau numérique.
Là où c'est encore un projet coûteux sans ROI proportionnel
Le jumeau numérique d'un processus de fabrication discret complexe (chaîne d'assemblage avec plusieurs variantes de produits, dépendances entre stations, opérateurs humains) reste un projet de recherche généralement coûteux avec un retour sur investissement difficile à démontrer. Le problème est la dimensionnalité : le nombre de variables qui déterminent le comportement de la ligne est élevé, beaucoup d'entre elles ne sont pas mesurables par un capteur (comme la variation de compétence entre les opérateurs), et le modèle ne peut pas capturer fidèlement la réalité car les conditions aux limites sont très riches. Des simulations de processus de cette nature existent et ont une valeur pour la planification, mais l'idée d'un jumeau qui reflète l'état en temps réel d'une chaîne d'assemblage complexe avec une précision suffisante pour une optimisation opérationnelle continue est plus ambitieuse que la réalité commerciale actuelle.
La construction de jumeaux numériques – la modélisation des informations du bâtiment connectée à des capteurs – est une autre catégorie où les promesses dépassent souvent l'exécution. Le cas d'utilisation le plus souvent cité est l'optimisation énergétique et la maintenance du bâtiment, mais l'instrumentation requise pour que le modèle reflète avec précision l'état réel du bâtiment est coûteuse, et le retour sur investissement énergétique justifie rarement l'investissement sans d'autres cas d'utilisation superposés.
Ce qu'il faut considérer avant d'approuver le budget
L’exercice de diligence raisonnable avant d’approuver un projet de jumeau numérique comporte trois questions centrales. La première : de quelles données le jumeau a-t-il besoin, à quelle fréquence et avec quelle latence, et ces données existent-elles déjà ou ont-elles besoin d'une nouvelle instrumentation ? Le coût de l’instrumentation constitue souvent le poste budgétaire le plus important, et les projets qui le sous-estiment arrivent à mi-chemin de la mise en œuvre sans suffisamment de données pour alimenter le modèle.
Deuxièmement : le modèle sera-t-il statique ou apprendra-t-il de l’exploitation ? Si la réponse est d’apprendre, qui maintiendra et recyclera le modèle au fil du temps ? Le jumeau numérique n'est pas une installation unique : il s'agit d'un produit logiciel qui nécessite une maintenance, une mise à jour des paramètres et un recyclage périodique lorsque le comportement de l'actif change en raison d'une modification ou d'un vieillissement du processus. S’il n’existe pas d’équipe interne ayant la capacité de le faire, le modèle d’engagement des fournisseurs doit couvrir ce cycle de vie.
Troisièmement : quelle est la décision spécifique que le jumeau va améliorer, et quelle est la valeur de cette amélioration ? Un jumeau de compresseur qui anticipe une panne dans un délai de deux semaines a une valeur calculable : le coût moyen des temps d'arrêt imprévus multiplié par la fréquence des pannes évitées. Sans ce chiffre, il est impossible de comparer l'investissement dans Twin avec d'autres alternatives permettant de réduire le risque de temps d'arrêt : plus de stock de pièces de rechange, plan de maintenance plus conservateur, redondance des équipements.
A lire aussi
-Maintenance prédictive : du calendrier à l'intelligence qui évite les temps d'arrêt
- Edge computing : pourquoi l'informatique quitte le cloud et se rapproche des données
- Edge computing : pourquoi le traitement distribué va redéfinir votre architecture
- RISC-V à la périphérie et IoT : Pourquoi l'architecture ouverte est importante
- L'autorité à travers le processus réel : pourquoi montrer le chemin prouve plus que le résultat
- Blockchain au-delà des crypto-monnaies : cas d'utilisation dans la chaîne d'approvisionnement