Tech

Traitement des données VS Intelligence Artificielle au service de l’efficacité énergétique

Publié le : 21 octobre 2022

Le traitement manuel des données et l’intelligence artificielle sont souvent présentés comme des opposés. Chez Dametis, notre expérience démontre que l’expérience humaine est encore nécessaire pour obtenir de meilleur résultat avec l’Intelligence Artificielle.

Jérémy Barrais, responsable produit chez Dametis nous parle des avantages de la méthode de traitement de données de Dametis par rapport à la méthode classique de big ou smart data.

La différence entre le Big Data, le Smart Data et les modèles de données utilisés par Dametis

Le Big Data : Un maximum de données est fournie à l’IA

Dû à l’hétérogénéité des données qui compose le big data, des corrélations peuvent être trouvées de manière aléatoire. Le grand nombre de paramètres rentrant en jeu affecte la précision des différentes corrélations. Encore pire, certaines peuvent être complètement dénuées de sens.

Des corrélations de ce genre ont déjà été effectuées. Une IA a notamment associé le nombre de ventes de glaces et les noyades, alors que les deux n’ont pas de lien de cause à effet. Ceux-ci ont juste la même cause, l’augmentation de la fréquentation des plages.

Autre exemple : Il a été observé que le nombre de chasse d’eau tirées dans un état au sud des Etats-Unis était proportionnel au nombre de divorces observés dans un état à l’opposé. Alors qu’il n’y a aucun lien entre ces deux phénomènes.

Smart Data : Les données sont sélectionnées par thématique, pour se limiter à un contexte fonctionnel.

Avec le Smart Data, les données sont regroupées par thématique, cela permet de limiter l’IA à utiliser des données provenant de périmètres fonctionnels pertinents. Nous nous assurons ainsi que les rapprochements seront faits avec des données pouvant avoir un rapport de causalité entre elles. Tout l’enjeu consiste à ne pas trop délimiter le périmètre pour ne pas exclure en amont des facteurs qui finalement auraient une influence.

L’expertise métier reste fondamentale à ce stade. Nos spécialistes chez Dametis réalisent des plans de mesurage sur site, c’est un élément fondamental du smart data permettant la sélection des données les plus significatives et les plus percutantes.

Modèle Dametis : les données sont contextualisées avant analyse par l’IA.

Grâce à leur expertise poussée, les spécialistes de Dametis savent quels sont les périmètres d’une industrie qui peuvent être corrélées, et les données des installations que l’intelligence artificielle doit examiner pour proposer des optimisations, déceler des anomalies, des dérives.

Le schéma-bloc, un support permettant de contextualiser la donnée

Dametis va alors donner un contexte aux différentes données pour enrichir l’IA dans son analyse.
Pour faire cela, Dametis va tout d’abord définir les relations physiques qu’il y a entre les données et ainsi bâtir un “schéma”.
En plus de ce maillage, ces données vont venir alimenter des « blocs » représentant les différentes installations d’une usine (elle-même étant un bloc à part entière, constitué de blocs « enfant », ce qui est à la base de notre « théorie des Lego »).
Ces blocs sont paramétrés par nos experts pour intégrer toute la logique « métier« . Ce maillage et ces blocs représentent notre concept du “schéma bloc”.

Le schéma-bloc de notre logiciel de supervision énergétique MyDametis

Le schéma-bloc, un concept permettant d’affiner les prédictions

Une fois construit, le schéma-bloc permet de cartographier facilement une usine, une utilité, un process ou un équipement.

Par exemple, les températures d’un fluide aux différentes étapes de sa boucle de circulation (sortie centrale, échangeur 1, entrée échangeur 2, retour centrale etc.) ne seront plus évaluées indépendamment mais les unes par rapport aux autres. Pour une installation d’air comprimé, le M/A des compresseurs, leur consommation électrique, le débit et la pression sortie centrale sont tous liés entre eux pour apporter du « lien » entre les données.

Le fait de les associer à un schéma-bloc représentant l’installation va apporter des informations de contexte supplémentaires, les datas sont alors nourris de connaissances, on les appelle les métadatas.

Les conditions de fonctionnement de chaque bloc vont aussi être renseignées pour apporter encore plus d’information, comme par exemple des consignes de fonctionnement.

Cette contextualisation sous forme de schéma-bloc permet d’enrichir les datas collectées et d’ainsi affiner les modélisations et les prédictions.

Imaginez que des spécialistes travaillent 24/7 sur l’optimisation de vos sites industriels. C’est ce que vous offre MyDametis, la seule plateforme pensée à 100% par des experts de la performance environnementale.

Un modèle aux multiples bénéfices

Jérémy Barrais nous rappelle que, bien que les actions initiales de Dametis soient sur l’aspect énergétique, aujourd’hui, les domaines examinés vont plus loin, avec notamment les pertes matières, l’optimisation des temps de lavage en place (NEP).

Une fois que le modèle est paramétré par nos experts, l’IA va utiliser tous ces éléments pour modéliser toute votre installation, du plus petit élément au plus grand ensemble.
De nombreux bénéfices en découlent.

Temps réel

Vous pouvez consulter vos données et celles qui sont modélisées en temps réel. Vous pouvez ainsi voir celles qui sont défaillantes ou qui dérivent. L’optimisation du module d’analyse graphique de MyDametis vous permet également de visualiser les données sur différentes périodes d’agrégation permettant ainsi d’avoir toujours la vue macro la plus adaptée au phénomène observé.
On passe ainsi facilement à des vues « seconde » pour une analyse temporelle du fonctionnement, à une vue « horaire » pour avoir un profil de consommation ou encore à une vue « quotidienne » ou « mensuelle » pour un suivi des consommations et rapprocher celles-ci à vos factures.

Analyse de dérive

Ce temps réel vous permet donc d’avoir la maîtrise complète sur vos installations. Rien ne sera laissé au hasard puisque la moindre dérive est visible sur votre plateforme.

Notifications automatiques

Vous recevez des notifications automatiques dès qu’une donnée ou une analyse est suspectée. Par exemple, sur des zones où le volume de pertes matières est soudainement important. Également, vous recevez des alertes lorsqu’il y a une défaillance technique.