IA industrielle, de l’analyse à l’action.

Le défi

Le broyeur SAG donnait le rythme de toute l’usine. En contrôle manuel, les opérateurs retenaient l’alimentation chaque fois que la charge circulante montait en pic — tandis que le type de roche, le mélange d’alimentation et le pourcentage de solides continuaient de changer en dessous.

Nous avons déployé

Un modèle prédictif du circuit de broyage, construit sur deux ans avec les ingénieurs procédé de l’usine, a fait fonctionner l’Industrial Autopilot pendant l’essai. Il lisait les données des capteurs en temps réel et envoyait des consignes au système d’automatisation de l’usine en temps réel, dans les plages de fonctionnement sûres, jour et nuit. Un clic rendait la main à l’opérateur.

Produits utilisés

• Modèles prédictifs
• Jumeau numérique
• Industrial Autopilot

Notre méthode de mesure

25 jours, du 10 janvier au 5 février 2024. Le contrôle IA et manuel alternaient toutes les 48 heures, de sorte que les deux faisaient face aux mêmes minerais. Seules les heures avec au moins 85 % de fonctionnement ont compté — 265 heures dans chaque mode.

Le défi

Dans le circuit de broyage, des hausses soudaines de la charge circulante forçaient à réduire le débit du convoyeur d’alimentation — souvent en dessous de 70 t/h — environ sept fois par jour. Chaque réduction, c’était du minerai que le broyeur aurait pu traiter.

Nous avons déployé

Un modèle prédictif de la charge circulante commandait le convoyeur d’alimentation en temps réel. Au lieu de couper l’alimentation, l’Autopilot anticipait la hausse, maintenait un niveau que le broyeur pouvait absorber, puis revenait à l’alimentation maximale.

Produits utilisés

• Modèles prédictifs
• Jumeau numérique
• Industrial Autopilot

Notre méthode de mesure

Chaque événement de coupure d’alimentation comparé à la gestion en contrôle manuel de la même situation — environ sept événements par jour, de mai à juillet 2025.

Le défi

Maximiser le rendement de transestérification, réduire la quantité de catalyseur au méthylate — un poste de coût annuel de millions de dollars — et connaître la qualité avant le résultat du laboratoire.

Nous avons déployé

Modèles prédictifs construits sur dix mois de données d’usine : 56,5 millions de mesures de capteurs provenant d’environ 40 instruments, transformées en un socle de données propre, prêt pour les modèles. Un modèle de gradient boosting sur 13 variables de procédé est devenu le premier capteur de qualité virtuel.

Produits utilisés

• Modèles prédictifs
• Jumeau numérique (non utilisé dans cette étude)
• Industrial Autopilot (non utilisé dans cette étude)

Comment l’on teste

Les modèles sont testés sur des données exclues de l’entraînement. L’erreur en unités physiques et la comparaison avec la référence de l’usine seront publiées une fois que le client l’aura autorisé.

Le défi

Quand un essai dévie, est-ce le banc ou le composant ? Et les arrêts imprévus du banc bloquent tous les essais planifiés derrière.

Ce que nous déployons

Des modèles de maintenance prédictive et un tableau de bord de surveillance. Au lieu d’un seuil d’alarme global unique, les modèles apprennent une référence de comportement normal pour chaque variante de composant, de sorte que chaque écart est noté par rapport à la bonne référence.

Produits utilisés

• Modèles prédictifs
• Jumeau numérique (non utilisé dans cette étude)
• Industrial Autopilot (non utilisé dans cette étude)

Comment l’on teste

Une référence de comportement normal pour chaque variante de composant ; les critères de test sur données réelles sont convenus avec la direction de la maintenance du client.