Tereos, groupe coopératif, est un des leaders mondiaux du marché du sucre, de l’amidon et de l’alcool. Féréol Mazard, Directeur développement et partenariats de Tereos, nous livre son témoignage sur la mise en place de la solution Dalkia Analytics by METRON sur le site agro-industriel de l’usine de Lillebonne en Seine-Maritime.
Féréol Mazard, vous êtes Directeur développement et partenariats de Tereos. Votre groupe coopératif est un des leaders mondiaux du marché du sucre de l’amidon et de l’alcool. La digitalisation pour vous, c’est primordial ?
Oui tout à fait, avec 48 sites industriels dans le monde qui transforme des millions de tonnes de matières premières agricoles et l’ensemble des activités logistiques associées, l’enjeu de la digitalisation, donc de la collecte du partage de l’information et du travail sur les informations disponibles (tout ce qui relève de la data science), est primordial. La data science existe depuis des années chez Tereos. Cela s’est renforcé encore dernièrement avec des pilotes, des essais mais aussi des nouveaux secteurs comme l’énergie dans lesquels on va utiliser ces technologies et l’Intelligence artificielle... L’énergie est au cœur de nos activités industrielles. C’est aussi un levier clé de la réduction des émissions de carbone fossiles des activités industrielles. Il faut aller plus vite dans un monde très concurrentiel et on utilise pour cela les nouvelles technologies.
Il reste très important de se lancer pour vous…
Effectivement, il est important de se lancer. Il y a différents domaines mais on trouve beaucoup d’expertise sur le marché, des gens spécialisés. On peut se faire aider et on arrive ensuite à faire des gains et continuer à trouver de nouveaux leviers de performance. Il faut toujours aller vers une démarche d’excellence opérationnelle en s’aidant des technologies à jour.
Vous avez mis en place la solution Dalkia Analytics by METRON. Il faut dire que vos usines du groupe Tereos consomment énormément d’énergie.
Tout à fait. Direction la Seine-Maritime pour l’usine de Lillebonne. On est sur un site agro-industriel de grande dimension, c’est environ 200 personnes. Le site transforme du blé. On transforme du blé en bio-éthanol, carburant qui est mélangé à l'essence pour verdir le transport, en protéine végétale, sirop de glucose et en alimentation pour le bétail. Le site est ISO 50001 depuis 6 ans. La gestion d'énergie et le focus sur la consommation d'énergie du site n’est pas quelque chose de nouveau, mais on l’a effectivement accélérée avec la solution Dalkia Analytics by METRON avec une approche très simple. C’est un site qui consomme environ 850 GWh par an d’énergie. C’est énorme. Cela représente de l’ordre de 25 millions d’euros de budget annuel, avec beaucoup de complexité. On a plusieurs réseaux vapeurs avec différents niveaux de pression. On a 5 outils de production, 4 chaudières sur le site plus l’import d’énergie depuis un site industriel voisin en énergie de récupération. Une boucle eau chaude, également, qui sert à recycler l’énergie entre les process. Des process qui sont assez complexes et qui sont couplés: de la distillation, de l’évaporation sous vide, de la déshydratation, du séchage… En résumé, une grosse consommation d’énergie et un site qui est complexe, maillé, sur lequel cette solution nous a parue optimale.
Vous avez travaillé sur deux projets avec Dalkia et METRON. Le premier projet est donc destiné à chasser les pertes d’énergie grâce à la vapeur. Le deuxième projet porte sur l’humidité. Quels étaient vos objectifs pour ces deux projets ?
Oui tout à fait. On a, en effet, travaillé sur l’énergie et les consommations d’eau qui sont très liées et qui ont toutes deux un fort impact sur l’inscription du site dans son environnement. Le premier objectif était de mieux connaître, d’être capable de modéliser les consommations. Je l’ai dit juste avant, le site est complexe. Être capable de faire un bilan pour identifier des dérives ou des pertes, ce n’est pas simple. Et avec l’outil, qui remonte en permanence un gros volume de données, on a récupéré de l’historique. Vous pouvez imaginer sur un site comme celui-ci ; il y a à peu près 50 000 points qui sont enregistrés à la seconde dans les systèmes d’historiques. On a beaucoup de data. On a été capable de modéliser pour mieux comprendre la répartition et les consommations d’énergie de chaque process. Faire des bilans nous a permis d'améliorer le suivi et donc détecter au plus tôt les mesures. Nous allons donc passer d’une maille qui pouvait être mensuelle, journalière pour certains points, à des mailles quasi-instantanées ou qui vont permettre d'identifier tout de suite une dérive et l’expliquer ensuite pour corriger et réduire les pertes associées à ces dérives.
L'Intelligence Artificielle est un catalyseur de l’amélioration continue. L'outil, avec toute sa complexité, mais qui finalement en temps réel, est quasiment transparent, va permettre à la fois d’identifier des dérives pour donner la bonne information sur le moment, et d'aller agir sur le bon levier. Également mesurer les gains parce que c’est toujours intéressant. On améliore uniquement ce que l'on mesure. C'est aussi intéressant et valorisant parce qu’encore une fois, je le disais tout à l’heure : l'Intelligence Artificielle n'est pas une fin en soi : ce n’est pas elle qui va aller manoeuvrer les vannes, cependant, c’est valorisant pour les personnes qui utilisent l’outil derrière, de savoir qu’ils ont effectivement agi correctement, dans les bons délais et pour tout le monde, de voir qu'on délivre des résultats.
« L’outil permet de se concentrer sur les problèmes les plus importants, de ne pas s’éparpiller. »
Féréol Mazard, Directeur développement et partenariats de Tereos.
La modélisation permet d’identifier et de classer les gisements. On va donc pouvoir se concentrer sur l’essentiel, pour mettre les énergies là où c’est important pour économiser de l’énergie.
On a fait une sorte de formule mathématique des consommations de l’usine avec tous les facteurs influents. On peut aller de la température de l’air extérieur aux matières premières, comme le blé. Le blé reste du vivant, on a alors des variations en fonction de la qualité qui vont amener des variations de consommations d’énergies dans le process. Cette formule permet d’expliquer et comprendre le mécanisme , pour ensuite l’améliorer.
Pouvez-vous donner des exemples très concrets de ce que ça a pu donner ?
Oui j’ai un exemple assez clair sur un procédé de séchage sur lequel on a travaillé. Sur ce procédé, il y a plusieurs sources d’énergie possibles, on va récupérer de l’énergie de différents process de l’usine. On va aussi apporter de la vapeur "noble" directement issue des outils de production sur ce process-là. Et en fonction des 4 fonctionnements de l’usine, on avait différents réglages. L’outil a permis de s’assurer que c’étaient les bons et d’en faire évoluer certains. Aujourd’hui, nous avons une nouvelle carte de réglages. Cela représente environ 2 tonnes de vapeur par heure et à l'échelle de l’année.
« 15 000 tonnes par an qui ont été économisées grâce à cette nouvelle approche scientifique, vraiment mathématique, des consommations, validées par une batterie de tests. »
Féréol Mazard, Directeur développement et partenariats de Tereos.
Il y a de très belles choses. Aujourd'hui, tous les outils informatiques le permettent mais nous avons surtout cherché à faire des choses utiles. Nous avons fait évoluer l’outil au fur et à mesure, nous avons cherché à faire en sorte qu’il soit dédié aux différents utilisateurs. Et le principal, quand on veut être en temps réel, ce sont les opérateurs qui ont quelque chose d’assez synthétique qui leur permet d’aiguiller leur focus sur les points clés. Cela semble très simple en apparence. Effectivement, derrière il y a des algorithmes, des systèmes de calcul et une intégration des données passées. Ce sont des modèles complexes mais qui apportent une information simple qui permet de réagir et de réduire les dérives.
Et donc avec des résultats quantitatifs, qualitatifs ?
Tout à fait. Sur le plan qualitatif cette démarche suppose de remettre en question beaucoup de choses. On a échangé, on a eu beaucoup d'ateliers. Parce que nous avions l’expertise du process. Dalkia analytics donc les équipes de Dalkia et METRON avait l’expertise de la Data Science. Il a fallu travailler ensemble pour que les deux mondes se parlent. L’Intelligence Artificielle a quand même besoin de personnes pour être paramétrée et pour vivre. On a effectivement eu un premier résultat immédiat, qui a été de reposer un certain nombre de questions, et d'améliorer la compréhension pour permettre de l’expliquer aux équipes Dalkia Analytics. Cela nous a fait progresser et nous avons immédiatement eu un bon résultat.
« Certaines personnes ont pris conscience de l'intérêt de ce type de solution pour faire des économies d’énergie, nous avons eu des résultats quantitatifs. »
Féréol Mazard, Directeur développement et partenariats de Tereos.
Tout le monde était à peu près sensibilisé mais c’est une couche en plus. Et puis nous avons eu des résultats quantitatifs puisque effectivement ce focus sur les consommations d’énergie a permis d’en réduire les consommations. On parle de plusieurs pourcents de réduction sur un site de cette ampleur-là, c’est très significatif.
On est parti des problématiques à résoudre, il nous ont accompagnés sur comment mener ce projet, avec un vrai dynamisme sur l'accompagnement par la suite. Aujourd'hui, cela fait un peu plus d’une année que la solution fonctionne et nous sommes toujours suivis de très près. On a toujours des réponses à nos questions. C’est en effet, une vraie volonté de comprendre, de nous accompagner et de nous aider pour faire en sorte que ce soit une réussite.
Quels conseils vous auriez à donner aux industriels qui nous lisent justement pour mener un tel projet ?
Comme tout projet, il faut une équipe et un pilote qui conduit celle-ci. Il faut accompagner les changements comme tous les projets, il y a une première phase, qui est de démystifier, dépasser les craintes initiales. On peut avoir peur que l'Intelligence Artificielle nous remplace mais ce n’est pas le cas. On va augmenter chaque personne, l’opérateur ou ingénieur dans l’usine mais pas le remplacer. C’est un point important d’avoir une équipe assez transverse. On a impliqué des gens à tous les niveaux de l’organisation pour faire en sorte qu’ils soient prêts, vecteurs de compréhension par rapport à ce qui est en train d’être fait. Ils apportent également leurs éventuelles inquiétudes afin qu’on construise quelque chose qui soit tout de suite adapté aux besoins de chacun. Que chacun puisse trouver dans la solution ce que ça va lui apporter. On a parlé tout à l’heure de l'ISO 50001. Quand on présente aujourd’hui cet outil à un auditeur c’est très simple de passer une certification, de montrer que l’ensemble des items de la norme sont remplis et relevés de manière efficace. L’Energy Manager y gagne, l'opérateur également parce que cela va l’aider à trouver plus rapidement l'origine du problème et évidemment la performance technique et économique du site à la fin. Et puis, il y a un petit côté vendeur assez “sexy” de la solution parce qu’on est quand même sur de l’industrie 4.0. Là, c’est concret, c’est au quotidien, c’est finalement relativement simple, c’est sûrement un peu moins fou que ce que l’on imaginait au départ mais c’est efficace, ça fonctionne. On a aussi travaillé par étapes, c’est important, comme on le disait tout à l’heure, comme Bonduelle l’a expliqué également. D’abord chercher à comprendre l’ensemble des consommations avant de tout de suite vouloir trouver des pistes d’amélioration. La modélisation arrive une fois que l’on connait toutes les données pertinentes dans le système. Il faut du temps, il ne faut pas attendre des résultats. Il y a des résultats progressifs, et qui vont de manière croissante. Il y a des résultats au fur et à mesure. La solution demande de l’énergie mais nous avons vraiment été aidés, accompagnés et soutenus pour que ça arrive au bout.
Voir l'Energy Management System en action
Participez à une démo interactive et découvrez comment accéder à la transparence énergétique en 3 mois avec METRON :
