Pourquoi la qualité des données est le véritable défi de l'IA dans l'industrie minière

Les environnements miniers sont complexes et souvent éloignés des grands centres. Les interruptions de communication et les problèmes d'instrumentation sont donc fréquents.

Prenons l'exemple d'un système de maintenance prédictive destiné à surveiller un broyeur SAG.Pendant plusieurs semaines, un capteur de vibration transmet les données normalement. À la suite d'une panne de communication, cinq jours de données disparaissent. Or, cette période correspond précisément à l'apparition des premiers symptômes d'un défaut de roulement.

Le modèle ne voit pas l'évolution du problème. Lorsqu'il recommence à recevoir les données, le comportement observé semble soudainement anormal alors qu'il s'agit en réalité d'une dégradation progressive. Résultat : diminution de la précision, augmentation des faux positifs et perte de confiance envers le système.

Les sociétés minières exploitent souvent plusieurs sites qui ont évolué indépendamment au fil des années.
Il est fréquent d'observer :

• différentes conventions de nommage;
• des unités de mesure différentes;
• des structures de données non uniformisées;
• des définitions variables des états d'équipement.

Par exemple, un convoyeur pourra être identifié comme :

• CV-101 sur un site;
• CONV-101 sur un autre;
• Conveyor_Main_A sur un troisième.

Pour un humain, la distinction est simple.

Pour un système analytique corporatif, cette incohérence complique considérablement l'intégration des données et la construction de modèles applicables à plusieurs opérations.

Un capteur ne mesure jamais parfaitement la réalité.

Dans les environnements miniers, les données contiennent souvent du bruit, c'est-à-dire des variations ou perturbations qui ne sont pas directement liées au phénomène que l'on cherche à mesurer. Ce bruit peut provenir de multiples sources, notamment des interférences électriques générées par des moteurs ou des variateurs de vitesse, de capteurs mal calibrés ou vieillissants, ainsi que des vibrations transmises par des équipements voisins. 

Par exemple, un capteur de vibration installé sur un convoyeur peut également capter les vibrations d'un concasseur situé à proximité, créant ainsi un signal qui ne reflète pas uniquement l'état réel du convoyeur. Sans validation et traitement adéquats, les modèles d'IA risquent d'interpréter ces perturbations comme des anomalies ou des tendances significatives, ce qui peut mener à des recommandations erronées. La qualité des analyses dépend donc de la capacité à distinguer le signal utile du bruit présent dans les données opérationnelles.

C'est probablement le défi le plus sous-estimé, puisqu’une donnée isolée a rarement beaucoup de valeur.
Imaginons une hausse significative des vibrations sur une pompe de procédé. Cette augmentation peut être associée à :

• une usure mécanique;
• un changement de débit;
• une intervention récente;
• une variation de densité de la pulpe;
• un changement des conditions de fonctionnement.

Sans accès aux données de procédé, aux données de maintenance et aux journaux opérateurs, l'algorithme ne peut pas distinguer ces situations.
Pour produire de bonnes recommandations, l'IA doit comprendre le contexte dans lequel l'événement se produit.

Le concept de Smart Sensing est souvent associé à l'ajout de nouveaux capteurs plus performants et plus intelligents. Pourtant, son véritable objectif est beaucoup plus large.
Il vise à s'assurer que les données les plus pertinentes sont :

• collectées;
• accessibles;
• fiables;
• contextualisées;
• exploitables.

Une stratégie efficace de Smart Sensing permet notamment :

• d'améliorer la qualité des mesures;
• d'augmenter la fréquence d'acquisition lorsque nécessaire;
• de réduire les angles morts des opérations;
• d'assurer la traçabilité des événements;
• de préparer les fondations nécessaires aux projets d'IA.

Dans plusieurs projets, les gains les plus importants proviennent non pas de nouveaux algorithmes, mais d'une amélioration de la qualité des données existantes.

L'intelligence artificielle représente une occasion exceptionnelle pour l'industrie minière, mais son succès repose sur une réalité souvent négligée : la qualité des données.

Avant d'investir dans des plateformes analytiques avancées, les organisations doivent s'assurer qu'elles disposent de données fiables, cohérentes et bien contextualisées.

Dans le prochain blog, nous verrons comment les sociétés minières peuvent maximiser la valeur de leurs données existantes grâce au Smart Sensing, aux capteurs virtuels et à la vision artificielle.