CWIN17 Paris / Big Data industriel & MES, le pari gagnant pour améliorer la performance industrielle

Mardi 26 septembre 2017 │ CNIT Paris La Défense
Copyright © 2017 Capgemini and Sogeti. All rights reserved. 1
#CWIN17
Ameline Bernard │ Consultant Technology Carbone, Rio Tinto
Vivian Guillaud │ Architecte Solution, Capgemini
#CWIN17 #PARIS
Mardi 26 septembre | CNIT Paris La Défense | Salle Le Corbusier
Big Data industriel & MES,
le pari gagnant pour améliorer
la performance industrielle pour Rio Tinto

#CWIN17
Rio Tinto, une société internationale minière et de
fabrication de métaux
Le groupe Rio Tinto est
présent dans plus de 35 pays
et emploie 50 000 personnes.
4 groupes de produits :
 Cuivre & Diamants,
 Energie & Minéraux,
 Minerai de fer,
 Aluminium
North
America
Africa
Europe
South
America
Australasia
Asia

#CWIN17
Le groupe de produit Rio Tinto Aluminium
Bauxite Alumine Aluminium
• Notre technologie d’électrolyse référence : AP Technology™
• Aluminium Pechiney est la filiale française de Rio Tinto Aluminium (RTA).
• L’équipe Technology d’AP est le cœur de la technologie de RTA et les installations
sont situées à proximité de Grenoble.
4 mines (35 Mt/an) 10 usines d’aluminium (2.5 Mt/an)6 raffineries (9 Mt/an)

#CWIN17
2 Al2 O3 + 3 C 4 Al + 3 CO2
Alumine : ~1 900 kg
Carbone : ~ 400 kg
Aluminium: ~1 000 kg
CO2: ~ 1 300 kg
Le procédé d’électrolyse

#CWIN17
Une usine typique d’aluminium
Electrolyse
400 cuves en série
400 000 Ampères
400 000 tonnes d’aluminium liquide
Fonderie
Solidifie l’aluminium liquide en différents formats
de produits (lingots, plaques, billettes, fil, etc.)
Carbone
Produit les blocs carbone (anodes)
pour les cuves d’électrolyse
Sous-station électrique

#CWIN17
Notre vision d’une industrie 4.0 pour les usines
d’aluminium
Les outils
d’analyse de données
Optimisation des procédés,
Maintenance & Qualité prédictives
Génère des
alertes Centre opérationnel
Nouveaux détecteurs &
acquisition massive de
données
Supervision des procédés
Optimisation de la chaîne logistique
Développe
les outils
Centre d’Excellence
Résolution de problèmes complexes
Développement d’outils d’analyse de données
IT & Automatisation
Standardisés
(fort contenu métier)
Contrôle des procédés
Gestion des procédés industriels (MES)
Opérateur « augmenté »
Mobilité & intelligence portative
Vision 3D & réalité augmentée
 Connecter les ateliers aux centres
Equipements, ponts &
véhicules autonomes
CybersécuritéSimulation & Modélisation
Synchronisation automatique des flux opérationnelsOpération automatisée et optimisée (LEAN)

#CWIN17
Exemple d’une application industrielle Big Data
DATA LAB
Processus collaboratif
entre les partenaires R&D,
opérationnels et les data
scientists
MSEs & MSCs
Principaux moteurs
(TàP, CTG, CTF…)
Electrolyse, Carbone, Fonderie
Qualité des produits à valeur
ajoutée
Qualité des anodes
Optimisation des procédés Qualité PrédictiveMaintenance Prédictive

#CWIN17
5. Les sujets sont
priorisés au regard des
enjeux métiers et de
l’effort de réalisation
3. Business Experts, Digital & Data
Spécialistes réfléchissent et travaillent
ensemble pour faire émerger les idées
PoCs +
Roadmap
{Sortie}
{Données}
Données + Stratégie
.CODESIGN .SELECTION
.COMBINAISON
.ENRICHISSEMENT
.PRIORISATION.DECOUVERTE.SYNCHRO
.PARTAGE
1. Synchronisation des parties
prenantes sur le contexte, les
enjeux métiers et l’existant.
2. Présentation des
innovations
technologiques, cas
d’usage et REX dans
plusieurs domaines et
secteurs
4. Les idées sont revues, adaptées, et
qualifiées (faisabilité, charges, valeur
ajoutée…)
Définition de la roadmap Big Data

#CWIN17
Comment adresser un cas d’usage
Plateforme Big Data, prête !

#CWIN17
Procédé d’électrolyse : le rôle des anodes
Cadre anodique

#CWIN17
Détection prédictive des champignons
Problème : Crise de champignons périodique provoquant une perte de production et une
surconsommation d’anode
Objectif :
• Soutenir la productivité
 Jusqu’à 1000$ par champignon
• Eviter l’emballement des crises
 En moyenne 3% de champignons
 Crise : + 8%
Travail réalisé : Génération d’une alerte robuste (précédant le processus traditionnel)
Compromis entre :
• Détection : 50%
• Anticipation : 8 jours
• Précision : 90%
Anode en bonne santé
vs anode malade
Chaînes de Markov
Cachées (HMM)
alertes
Résultats:
Champignons(%)

#CWIN17
 Coût moyen lié aux crises de champignons : M$ 2,5
 Economies potentielles avec une anticipation de 8 jours : M$ 1
Economie potentielle maximale pour l’ensemble des sites Rio Tinto Aluminium :
Economies annuelles en trésorerie et cas d’affaire
Aspects financiers pour l’usine de
Dunkerque (AD) :
Site d’AD Tous les sites
Economies/an M$ 1 M$ 12
TRI 126% 112%
Pour déployer rapidement sur tous les sites, nécessité de packager les fonctions prédictives et
d’avoir une plateforme pour l’exploitation en temps réel

#CWIN17
Fonctions prédictives opérant en temps réel
• Le module PPDA est une “boite” pour les fonctions prédictives
• Des connecteurs de données avec les systèmes de production
• L’infrastructure légère d’Hadoop est embarquée pour la préparation des données et
l’exécution des fonctions prédictives
• Les alertes prédictives sont affichées dans les cahiers de poste des opérateurs
• La performance des algorithmes est suivie en continu
Grâce à notre système de gestion des procédés industriels (MES) !
Module Plant Process Data Analytics (PPDA)

#CWIN17
Comment accélérer la feuille de route 4.0 avec
l’innovation “Ouverte”
Lever des financements externes des projets de R&D coopératifs
• Réduire les coûts de R&D
• Accélérer la mise sur le marché (“Time to Market”)
• Augmenter les revenues via le développement de solutions de rupture
Qu’est-ce que l’innovation ouverte (“Open Innovation”) pour nous ?
Feuilles de route :
Usines & stratégie
Défis non
couverts
Meilleurs partenaires
externes
Meilleur opportunité
de financement
Quelles réalisations sur les trois dernières années ?
4 projets européens gagnés, 15 M€ d’actifs pour seulement 3 M€ de
financements directs
Un puissant effet de levier ! X 5

#CWIN17
Projet Horizon 2020 : Monsoon
Programme SPIRE Sustain Process Industry through Resource & Energy Efficiency
Déploiement de fonctions prédictives dans des industries de procédés
Consortium composé de 11 partenaires de 7 pays européens : y compris Rio Tinto et Capgemini
Principaux impacts attendus :
• Augmenter la productivité et l’efficacité par rapport aux scenarios industriels considérés
• Réduire la consommation des ressources, dont l’énergie
• Améliorer l’efficacité environnementale, en diminuant les émissions
• Améliorer la sécurité, en diminuant le taux d’accident

#CWIN17
Principale usine de démonstration :
Aluminium Dunkerque
Aluminium Dunkerque est l’usine d’aluminium à la plus haute productivité sur le
territoire EU-28.
L’une des plus modernes au monde : 264 cuves d’électrolyse opérant à 380 kA,
produisant annuellement 275 kT d’aluminium, et consommant 3.7 TWh
d’électricité
… l’équivalent de la consommation d’une ville
d’1 million d’habitants.
Objectif :
Notre première usine 4.0 !

#CWIN17
Conclusion
Construire une vision 4.0 avec des cas d’affaire
Trouver les bons partenaires
Commencer avec des cas d’usage à haute valeur
Accélérer avec l’Innovation Ouverte (Open Innovation)
Avoir une usine de démonstration dédiée

#CWIN17
Ameline Bernard │ Consultant Technology Carbone, Rio Tinto
Vivian Guillaud │ Architecte Solution, Capgemini
#CWIN17 #PARIS
Mardi 26 septembre | CNIT Paris La Défense | Salle Le Corbusier
Big Data industriel & MES,
le pari gagnant pour améliorer
la performance industrielle pour Rio Tinto

CWIN17 Paris / Big Data industriel & MES, le pari gagnant pour améliorer la performance industrielle

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (20)

Semelhante a CWIN17 Paris / Big Data industriel & MES, le pari gagnant pour améliorer la performance industrielle

Semelhante a CWIN17 Paris / Big Data industriel & MES, le pari gagnant pour améliorer la performance industrielle (20)

Mais de Capgemini

Mais de Capgemini (20)

CWIN17 Paris / Big Data industriel & MES, le pari gagnant pour améliorer la performance industrielle