Maximiser la valeur des données minières : de la détection intelligente à l'intelligence opérationnelle

De nombreux systèmes ont été conçus initialement pour contrôler les opérations plutôt que pour alimenter des analyses avancées.

Par exemple, une température enregistrée toutes les cinq minutes peut être suffisante pour les opérateurs.

Cependant, lorsqu'on cherche à détecter l'apparition d'un défaut sur un roulement, cette fréquence peut masquer des comportements critiques.

Dans plusieurs cas, un simple ajustement des fréquences d'acquisition permet d'obtenir des gains importants sans investissement majeur.

Dans un autre ordre d’idée, des plans de maintenance ou d’opération ne sont souvent pas digitalisés, mais seulement communiqué verbalement ou par écrit aux exécutants. La digitalisation de ces plans à l'aide d'outils de Gestion de maintenance assistée par ordinateur (GMAO), de numérisation ou de solutions d’enregistrement et de transcription vocale permettrait de transformer les connaissances terrain en données d'opération exploitables  

Les équipements modernes contiennent souvent beaucoup plus d'information que ce qui est exploité quotidiennement.

Un variateur de vitesse peut fournir :

• des profils de charge;
• des données énergétiques détaillées;
• des alarmes avancées;
• des mesures de performance;
• des indicateurs de santé.

Par exemple, lors d'un projet de surveillance d'un convoyeur, une société peut découvrir qu'elle possède déjà les données permettant d'évaluer les surcharges mécaniques sans installer un seul nouveau capteur.

Le défi est souvent l'accès aux données, non leur existence. 

 De plus en plus d'équipementiers proposent des plateformes propriétaires permettant de visualiser les informations associées à leurs équipements.

Bien que ces solutions apportent de la valeur, elles peuvent parfois limiter l'accès aux données brutes.

Cela entraîne plusieurs défis :

• dépendance envers un fournisseur;
• coûts récurrents;
• difficulté d'intégration;
• limitations dans le développement de modèles personnalisés;
• défis d'interopérabilité.

Une stratégie numérique efficace doit s'assurer que les données demeurent accessibles et exportables à long terme. 

L'évolution de la détection intelligente ne passe plus uniquement par l'ajout de capteurs physiques.

Aujourd'hui, il est possible de créer des capteurs virtuels, aussi appelés soft sensors.

Un capteur virtuel est simplement un modèle mathématique, une simulation ou une analyse utilisant des données existantes pour estimer des variables qui ne sont pas directement mesurées par de capteurs physiques.

Dans le contexte minier, ils peuvent servir à estimer :

• la récupération métallurgique;
• la qualité du minerai;
• la performance d'un circuit;
• l'état de santé d'un actif;
• certains paramètres environnementaux.

Cette approche permet souvent d’améliorer la qualité informationnelle des données fournies à un modèle d’IA. Le modèle arrive ainsi à être plus performant dans sa capacité à atteindre une conclusion menant à des prises de décisions à fort impact au niveau des opérations. 

La majorité des sites miniers possèdent déjà un vaste réseau de caméras.

Traditionnellement utilisées pour la sécurité et la supervision, elles peuvent aujourd'hui devenir de véritables instruments de mesure grâce à la vision artificielle.

Par exemple, des algorithmes peuvent :

• estimer le bon calibrage d’un système de broyage;
• compter les cycles de chargement des camions;
• mesurer l'utilisation et l’usure des pelles;
• détecter les objets inhabituels et les blocages sur un convoyeurs;
• estimer les inventaires;
• mesurer le niveau de remplissage de trémies.

Une caméra qui servait hier à surveiller une opération peut aujourd'hui fournir des données quantitatives alimentant des modèles d'optimisation et de performance. 

Même les meilleures données perdent de leur valeur en l'absence d'une gouvernance adéquate. La gouvernance des données consiste à s'assurer que les bonnes personnes ont accès aux bonnes données, au bon moment, et qu'elles peuvent avoir confiance en leur qualité.

Les organisations les plus avancées définissent clairement :

• les responsables des données;
• les règles de validation;
• les normes de qualité;
• les systèmes de référence;
• les processus de gestion des changements.

Cette discipline permet d'assurer la pérennité des initiatives d'IA et d'éviter la dégradation progressive de la performance des modèles. 

Une donnée de qualité, bien contextualisée et adéquatement gouvernée constitue une source de valeur pour n’importe quel système d’analyses avancées. Elle permet notamment d'optimiser un procédé métallurgique, d'évaluer l'état de santé d'un concasseur afin de mieux planifier les activités de maintenance ou encore de contrôler les débits vers différents bassins de rétention.

Toutefois, dans la plupart des organisations minières, ces informations demeurent réparties entre plusieurs systèmes distincts : systèmes de contrôle, historiens de données, plateformes de maintenance, outils de planification, systèmes ERP et applications spécialisées. Chaque équipe tente d'optimiser sa performance à partir de ses propres indicateurs et de sa visibilité limitée sur les opérations.

Or, l'optimisation d'un seul secteur peut produire des effets indésirables ailleurs dans la chaîne de valeur.  Dans un environnement aussi interconnecté, une amélioration locale ne se traduit pas nécessairement par un gain à l’échelle de l’ensemble des opérations. Elle peut, par exemple, créer un goulot d’étranglement au niveau du transport, du concassage ou du traitement du minerai, annulant ainsi les bénéfices attendus.

C'est généralement à mesure que les organisations gagnent en maturité numérique qu'elles cherchent à mettre en place une plateforme unifiée de données capable de consolider l'information provenant de l'ensemble de ses opérations. Cette approche permet de créer une source unique de vérité à partir de laquelle il devient possible d'obtenir une vision globale et cohérente des activités.

La véritable valeur apparaît toutefois lorsque cette information unifiée est exploitée par des outils d'analyse avancée et d'intelligence artificielle. À partir d'une compréhension commune des opérations, l'IA peut générer différents scénarios, en évaluer les risques, simuler leurs impacts dans le temps à l'aide de jumeaux numériques et recommander les actions offrant le meilleur résultat pour l'organisation.

L'objectif n'est plus seulement de comprendre ce qui se passe, mais bien de déterminer ce qu'il faut faire ensuite pour optimiser la performance opérationnelle dans son ensemble. 

La transformation numérique de l'industrie minière ne commence pas par un algorithme d’IA.

Elle commence par une meilleure compréhension et unification des données déjà disponibles dans les opérations.

Les entreprises qui réussiront le mieux leurs initiatives d'IA seront celles qui sauront exploiter pleinement leurs actifs de données grâce à une stratégie réfléchie de détection intelligente, tout en transformant leurs infrastructures existantes en une source unifiée pour l'intelligence opérationnelle.

C'est alors qu'un changement majeur s'opère : les données unifiées se transforment en intelligence opérationnelle, permettant aux organisations minières d'améliorer significativement leur efficacité, leur agilité et leur capacité à prendre les bonnes décisions au bon moment.