DCbrain a développé un logiciel permettant de réaliser des simulations précises et de prédire ce qui peut arriver, en plus de visualiser en temps réel l'activité d'un réseau et de générer des alertes.

C 'est lors de l'édition 2017 du salon World Efficiency, qui s'est tenu à la fin du mois de décembre dernier, à Paris Expo Porte de Versailles, que l'occasion nous a été donnée de rencontrer la start-up parisienne DCbrain ( voir encadré ) sur le stand d'InnoEnergy, un moteur européen de l'innovation dans l'énergie durable.

Le défi auquel s'est attaquée la start-up est de répondre aux principaux enjeux rencontrés par les gestionnaires d'infrastructures industrielles (électricité, gaz, eau, vapeur, logistique…). Il s'agit de savoir comment fiabiliser et optimiser l'utilisation des réseaux physiques, en fournissant et analysant leurs données pour réduire les coûts d'exploitation et anticiper les nouvelles exigences en termes d'efficacité énergétique.

« DCbrain est en fait la rencontre de deux mondes, qui ne se parlaient jusque-là pas, à savoir les flux physiques et les technologies de l'information (IT), résume Thomas Bibette, Export Manager chez DCbrain. Notre outil permet en effet d'aider les gestionnaires de réseaux à maintenir leurs flux et à atteindre leurs objectifs (Opex, Capex, sécurité…), ce qui devient de plus en plus complexe avec des systèmes toujours plus distribués. » DCbrain a ainsi développé un logiciel qui permet d'ex-ploiter le très grand volume de données issues de capteurs et autres objets connectés (IoT) déployés de plus en plus souvent dans les réseaux industriels.

Le Waze des réseaux physiques

Pour cela, l'outil met en œuvre une approche fondée sur les données ( data-driven ) et une technique basée sur les modèles ( model-driven ) classiques, qui correspondent chacune à deux échelles différentes et permettent une maîtrise globale du processus industriel. L'approche data-driven unique s'articule autour de trois étapes: l'apprentissage de la topologie du réseau,du comportement des limites et de celui des nœuds. Le logiciel du français utilise ensuite une approche basée sur les graphes ( graph-based) pour adapter les modèles de Machine Learning à la forme physique du réseau et accroître les capacités de l'intelligence artificielle grâce à la recherche de causalité. « La localisation géographique est ce qui fait l'agilité de notre solution », ajoute Thomas Bibette.

L'outil dispose par ailleurs de deux interfaces, à savoir une vue du réseau et un tableau de bord. La première, qui est en fait un jumeau numérique du réseau, assure une vue exhaustive sur l'ensemble des données, la projection de n'importe quelle unité, ou quantité, présente dans les données, le repérage en temps réel des incidents et la visualisation des scénarii.

Avec le dashboard personnalisable, les utilisateurs peuvent automatiser leurs tâches de rapport, visualiser les informations de manière optimale, etc. « Notre logiciel permet donc de visualiser en temps réel l'activité d'un réseau et de générer des alertes, ce que certains industriels ont réussi à développer, mais aussi de réaliser des simulations précises et, donc, de prédire ce qui peut arriver si un équipement tombe en panne ou en amont d'une intervention de maintenance », indique Thomas Bibette.