Transformer les données de cogénération en impact grâce à l’IA et aux modèles thermodynamiques

Transformer les données de cogénération en impact : comment l’IA combinée aux modèles thermodynamiques redéfinit l’efficacité des centrales biomasse et CHP

Résumé : Pour les exploitants de centrales de cogénération, le défi n’est pas le manque de données, mais la capacité à transformer ces données en décisions plus rapides et plus pertinentes. En combinant le contexte thermodynamique avec un monitoring basé sur l’IA, il devient possible d’améliorer la visibilité sur les performances, de détecter les anomalies plus tôt et de réduire le risque d’arrêts imprévus sur les actifs critiques. L’enseignement principal est simple : un monitoring hybride, combinant modèles physiques et modèles d’IA, peut aider les opérateurs à agir plus tôt et avec davantage de confiance, tout en maintenant l’expertise d’ingénierie au cœur de la prise de décision.

Dans une centrale de cogénération, les systèmes de contrôle distribués — DCS — et les historians ingèrent des milliers de tags en temps réel. Avec des débits de vapeur, des températures et des pressions en fluctuation constante, sans oublier l’impact des conditions ambiantes changeantes, du ramonage, de la volatilité croissante des marchés de l’énergie et du durcissement des réglementations environnementales, comment les opérateurs et les ingénieurs peuvent-ils réellement savoir : ma production est-elle optimale en ce moment ? Mon procédé est-il réellement sain ?

S’appuyer sur une agrégation manuelle des données ou sur des seuils SPC — Statistical Process Control — statiques n’est plus économiquement viable. La donnée représente une véritable mine d’or pour l’amélioration des performances, mais uniquement lorsqu’elle est associée à la bonne intelligence opérationnelle. C’est précisément le rôle d’Indao, une plateforme industrielle d’analyse et d’IA conçue pour combler cet écart.

Scale-up belge, Indao est spécialisée dans l’automatisation de la collecte de données et l’utilisation de modèles d’IA avancés afin de maximiser la performance globale, d’optimiser la conversion énergétique et de stabiliser les opérations de production 24h/24 et 7j/7. En superposant des packs industriels préconçus et prêts à l’emploi, comme le Cogen Asset, directement aux sources de données existantes des usines — SCADA, PLC, historians, etc. — Indao permet aux équipes terrain de décider mieux et de produire plus intelligemment.

---

Naviguer dans les complexités opérationnelles de la cogénération

Exploiter une centrale de cogénération — Combined Heat and Power, ou CHP — implique de gérer un ensemble complexe de variables interdépendantes. Les équipes sont confrontées à des défis constants qui impactent directement la rentabilité :

Hétérogénéité du combustible et instabilité de combustion : dans les centrales de cogénération biomasse et waste-to-energy, les variations de qualité et de taux d’humidité du combustible nécessitent des ajustements manuels continus. Cela entraîne des dérives opérationnelles et des écarts de performance entre les différentes équipes d’exploitation.

Surcharge d’information : la forte densité d’instrumentation signifie que les opérateurs sont souvent submergés par les données, ce qui peut masquer des signaux critiques et des micro-anomalies subtiles.

Dégradation des actifs et arrêts imprévus : les arrêts non planifiés sur des composants critiques tels que les convoyeurs biomasse, les chaudières ou les échangeurs thermiques de turbine perturbent les engagements de fourniture d’énergie et réduisent la rentabilité.

Indao aide à surmonter ces obstacles en rendant toutes les données de procédé et de production facilement accessibles, et en offrant une vue unifiée de la production, de l’énergie et de l’état de santé des équipements.

En appliquant une modélisation thermodynamique en temps réel — par exemple le cycle de Rankine — combinée à des modèles d’IA basés sur les données, la plateforme évalue les pertes et identifie les dérives de procédé afin de maximiser l’efficacité globale de la cogénération.

---

Impact concret : résoudre les dérives de procédé chez 2Valorise

Chez 2Valorise, un site industriel de référence spécialisé dans la valorisation énergétique principalement à partir de biomasse, les modèles d’Indao ont été déployés afin de monitorer en continu la performance des actifs thermiques et de prédire les déviations subtiles avant qu’elles ne provoquent des problèmes plus larges.

La solution Indao a été installée pour collecter plus de 2 700 variables en temps réel. En entraînant des modèles de Machine Learning — ML — sur des régimes historiques de référence, la plateforme a établi un jumeau numérique opérationnel dynamique. Au cours des huit premiers mois de déploiement, les modèles de détection d’anomalies et de prédiction d’Indao ont identifié et contribué à résoudre des dizaines de dérives de procédé. Un incident particulièrement critique concernait un événement complexe de déclenchement turbine.

Cas d’usage en maintenance prédictive : détecter des déviations de vide

À la suite d’un déclenchement turbine, les opérateurs surveillaient les paramètres standards. Cependant, en raison de conditions aux limites très dynamiques — incluant les fluctuations de production vapeur de la chaudière, les débits de vapeur à l’admission et à l’extraction, ainsi que les conditions météorologiques — il restait difficile pour eux de savoir si le niveau de vide actuel se comportait comme attendu.

Le modèle de détection d’anomalies multivarié d’Indao et son modèle prédictif de production électrique ont généré une alerte : la pression de vide était détectée à 0,1 bar en dessous du niveau attendu après le déclenchement de la turbine.

Le modèle prédictif a évalué les conditions externes actuelles — notamment les prévisions météorologiques ambiantes — ainsi que les paramètres d’exploitation — débits de vapeur à l’admission et à l’extraction, températures de l’eau de refroidissement, etc. — afin de déterminer que la production électrique était inférieure à l’objectif et qu’une variation de 0,1 bar de la pression de vide était statistiquement anormale pour cette phase post-déclenchement.

Contrairement aux alarmes standards ou aux approches de type SPC, la puissance du modèle d’IA d’Indao repose sur sa capacité à :

• analyser plusieurs modes opératoires grâce à un modèle multivarié, y compris l’influence de la saisonnalité, de la charge chaudière, etc. ;
• identifier des conditions anormales malgré une variabilité importante ;
• détecter précisément les variables en dérive ;
• fournir une plage de retour à la normale pour chaque variable en dérive.

En mettant cette déviation en évidence très tôt via des dashboards intuitifs, la plateforme a permis à l’équipe d’ingénierie d’identifier la cause racine et de planifier une intervention lors du prochain arrêt. La correction de cette dérive a permis d’éviter un arrêt prolongé de production et de protéger la turbine vapeur contre une dégradation potentielle à long terme.

Cas d’usage de dérive lente : détecter une dérive de vibration turbine

Peu après la mise en service, le modèle IA de détection de dérive d’Indao a commencé à mettre en évidence des signaux subtils liés aux vibrations de la turbine. Point essentiel : ces niveaux de vibration restaient largement inférieurs aux seuils d’alarme standards du SCADA, mais la dérive lente et continue a été identifiée comme anormale par le modèle.

Cette alerte précoce a donné à l’équipe opérationnelle la visibilité nécessaire pour contacter immédiatement le constructeur de la turbine, alors que l’équipement était encore sous garantie.

En agissant de manière proactive, l’équipe a pu planifier la maintenance mécanique nécessaire lors de la prochaine fenêtre de maintenance mineure programmée. Si elle avait attendu que les vibrations atteignent les limites SCADA, elle aurait risqué un arrêt imprévu, potentiellement en dehors de la période de garantie, ainsi que des réparations nettement plus lourdes et plus coûteuses.

“Indao has improved our operational efficiency by enabling us to monitor plant performance, detect deviations and diagnose their causes. Thanks to additional sensors and data analysis, downtime has been minimised, maximising overall efficiency.”
— Filip Lesaffer, CEO, 2Valorise

---

Des résultats prouvés et mesurables

Le déploiement d’Indao dans des environnements industriels exigeants démontre que l’IA n’est plus un luxe optionnel, mais un outil clé de gestion stratégique des actifs. Les projets Cogen menés avec la plateforme génèrent généralement les résultats suivants :

Impact direct :

• +/- 1 % sur la production d’énergie

Impacts indirects :

• réduction des arrêts imprévus ;
• meilleure compréhension du procédé par les opérateurs ;
• plus grande facilité de pilotage du système pour le personnel ;
• gain de temps dans le suivi de production ;
• plus de temps disponible pour d’autres tâches.

En associant l’intégrité des données à une intelligence opérationnelle automatisée, Indao permet à votre centrale de capturer et de préserver l’expertise spécifique du site, tout en aidant vos équipes d’exploitation à piloter des procédés de cogénération complexes avec précision.

Prêt à transformer les données de votre centrale en performance durable ? Discutons de la manière dont Indao Cogen peut optimiser vos installations.

Contactez-nous ou visitez www.indao.ai.