Par Roshan Gya (Executive Vice President), Jean-Nicolas Barral (Managing Consultant), Emmanuel Ragon (Senior Consultant) – Capgemini Consulting

Dans le rapport dit « Padova », publié en mai dernier, la Commission de Régulation de l’énergie (CRE) indiquait que le volume global de données produit par les énergéticiens doublait tous les 24 mois. Avec l’instrumentation grandissante des réseaux et des installations industrielles, Gartner estime que le nombre d’objets connectés à usage industriel doublera entre 2017 et 2020 pour passer à plus de 3 Mds. De fait, les opérateurs de l’énergie disposent d’un volume exponentiel de données. Chaque donnée étant généralement destinée à un besoin métier spécifique, les Directions Techniques se fixent comme ambition de capitaliser sur ces informations en les agrégeant et en les exploitant pour élargir les domaines d’applications et ainsi, identifier de nouveaux cas d’usages au profit de la performance opérationnelle et industrielle. Pour y parvenir, la Data Analytics – ou démarche de traitement et d’analyse de données brutes – représente un levier digital novateur. Les méthodes associées, fondées sur des modèles mathématiques et statistiques puissants, permettent de déterminer de nouvelles pistes d’optimisation de la performance.

La Data Analytics répond à deux enjeux clés pour deux types d’actifs distincts :

• Maximiser la production en toute sûreté pour les actifs de production type plateforme pétrolière, raffinerie, centrale nucléaire, parc éolien, solaire…
• Valoriser et assurer la disponibilité du patrimoine des infrastructures de réseaux de transport et de distribution – actifs linéaires – en particulier dans les filières de l’électricité, du gaz, de l’eau, de la chaleur ou du froid.

Tous les grands acteurs de l’énergie se lancent ainsi dans une réflexion approfondie pour développer et encourager les usages de la Data Analytics pour leurs actifs industriels. Ils réfléchissent notamment aux cas d’applications et leurs finalités ainsi qu’aux modèles organisationnels et de déploiement associés.

La Data Analytics, des cas d’applications au service de la performance

La Data Analytics est un levier permettant d’atteindre de nouvelles sources de valeurs et qui vient compléter les programmes d’efficience opérationnelle classiques type Lean management, réduction des coûts… L’application de la Data Analytics sur les actifs industriels de l’énergie permet de dégager quatre sources majeures de performance industrielle :

1. Augmenter la disponibilité d’un équipement et/ou d’une installation par l’anticipation de défaillance. L’analyse de données provenant des capteurs terrain garantira l’identification des écarts entre le régime de fonctionnement « temps réel » de la machine et un modèle mathématique de référence. Par cette approche, de grands acteurs de l’énergie ont d’ores et déjà significativement amélioré le taux de disponibilité de leurs équipements critiques, les machines tournantes par exemple. Ainsi, un grand équipementier, qui offre une solution de Data Analytics en plus de ses machines, a démontré des gains de disponibilité de 3%. De la même manière, un opérateur de réseau d’eau britannique a pu détecter, plus de 21 jours à l’avance, 90% des fuites.

2. Faire évoluer la philosophie de maintenance actuelle, d’un programme systématique préventif à une maintenance prédictive fondée sur une analyse de risques. En associant les données issues des processus et les données d’activités issues des programmes de maintenance et des rapports d’intervention, les plannings de maintenance peuvent être adaptés aux conditions réelles d’usure de la machine, de composants et de matériaux. Les gains opérationnels escomptés sont significatifs, avec des améliorations de productivité constatées de près de 20%. De même, les gestionnaires de réseaux mettent progressivement en place un dispositif de surveillance des conditions environnementales (météo, surveillance de l’état des installations par drones avec de l’intelligence artificielle embarquée, exploitation d’images satellites…) pour mieux prévoir les interventions (exemple : planification des campagnes d’élagages au bon moment). Avec à la clé jusqu’à 50% de gains grâce à l’élagage prédictif.

3. Améliorer la planification du développement, de la gestion des actifs et des interventions sur le terrain, notamment en utilisant des solutions robustes, par exemple Mercatus. Ces nouvelles applications assurent aux acteurs de l’énergie l’optimisation de leur plan d’investissement en rationalisant les activités, depuis la décision d’investissement jusqu’aux opérations de maintenance, dans le temps opérationnel de l’actif. Les résultats constatés sont de l’ordre de 10% d’économies et de 30% de gains de productivité sur le terrain et in fine une meilleure valorisation des investissements.

4. Optimiser le pilotage et la gestion opérationnelle centralisée des actifs répartis. En effet, l’exploitation de données issues de disciplines multiples (production, achat, logistique, opération, maintenance…) au sein d’une plateforme collaborative permet à certains opérateurs d’intervenir à distance et en temps réel sur les procédés de production en réaction à des déviations. Ainsi, grâce à des centres d’opérations déportés (qui facilitent la mutualisation de compétences et une gestion centralisée d’actifs géographiquement dispersés), un géant minier a pu réaliser 80 M$ d’économies par an.

Pour faire levier sur la Data Analytics, les grands groupes de l’énergie mettent en place des dispositifs spécifiques

Les conditions actuelles pour lancer une approche Data Analytics sont particulièrement favorables tant en termes d’offres (Predix par General Electric, PRiSM par Schneider Electric, Brain Cube, DC Brain…) qu’en termes de technologies (Internet des Objets à coûts maîtrisés, plateformes Analytics, Cloud…). Pour l’entreprise, le véritable challenge réside dans le choix des bons cas d’usage métiers, dans le développement rapide des solutions et dans la sécurisation des conditions pour le passage à l’échelle des solutions éprouvées. Les trois modèles opérationnels les plus observés sont :

• Création d’une « usine – factory Data Analytics » accueillant et favorisant la complémentarité de différents profils (Data scientist, Data engineer, architecte, développeur, UX designer, cadre métier…). Cette structure se positionne souvent de manière transverse aux entités organisationnelles de l’énergéticien. Elle peut intervenir sur toute la chaîne de valeur de la Data Analytics : du cadrage au passage à l’échelle des solutions.

• Développement d’un partenariat digital autour de la Data Analytics, à l’image du choix de la plateforme C3IOT par ENGIE. Une telle alliance permet une montée en compétences rapide des équipes et un apport de solutions éprouvées, l’énergéticien pouvant alors se concentrer sur ses propres domaines de valeur.

• Intégration des compétences « Data Science » au sein des métiers et/ou de la DSI et/ou de la direction Digitale qui constitue un modèle agile, plus proche du métier.
Chaque acteur industriel devra, selon son profil et ses enjeux stratégiques, identifier le modèle qui lui correspond en fonction de sa maturité, de ses besoins de compétences, d’apprentissage et de calendrier de mise à l’échelle. Quel que soit le choix de modèle retenu, la démarche se doit d’être pragmatique, agile et pilotée par la valeur apportée au business.

L’autre point clé du choix du dispositif réside dans la capacité à identifier ou à faire éclore les projets. Un processus d’arbitrage clair des besoins métiers et un pilotage rigoureux du portefeuille d’initiatives sont à mettre en place dans une phase dite de « proof of value » qui précisera les gains opérationnels escomptés. Ces gains peuvent être directs ou correspondre à des coûts évités (réduction des volumes de maintenance, rendement,etc.).

La qualité de la donnée, un prérequis indispensable

L’exploitation de la donnée par le biais de méthodes statistiques complexes n’est possible que si celle-ci répond à plusieurs niveaux d’exigences : qualité, disponibilité, complétude, sécurité…

Pour garantir ces exigences, nous observons la création de nouveaux postes autour de la Data (Chief Data Officer) et l’émergence de nouveaux métiers autour du « Data Management » (BIM1 manager, configuration manager, Data quality manager…). De plus, pour s’assurer de la mise à disposition des données au bon moment, celles-ci peuvent être désormais stockées de manière non structurée au sein de « Data Lakes » qui constituent un réceptacle et une source centralisée pour en faciliter l’exploitation. Les modules de calcul associés à différents usages sont ainsi directement reliés à ces bases de données. Lorsque la donnée n’existe pas, elle doit être recréée (reconstitution analytique de l’historique de la donnée).

En outre, au regard du volume de données et de la sensibilité de celles-ci (enjeux de sureté et de compétitivité), les industriels se dotent de règles et directives internes strictes et investissent significativement pour la cybersécurité, allant parfois au-delà du respect des réglementations et des recommandations des opérateurs de type ANSSI.

La Data Analytics, c’est maintenant…

La Data Analytics offre un champ d’opportunités extrêmement vaste qui, au-delà d’une amélioration de la performance opérationnelle quotidienne, peut permettre de :

• Changer en profondeur la philosophie opératoire d’une installation industrielle.
• Développer des nouveaux business modèles (nouveaux métiers, nouveaux services, nouveaux positionnement marché…)

1 Building Information Modelling

Article publié dans Enerpresse, le jeudi 7 Décembre 2017, N°11965