Pourquoi tant de projets de jumeaux numériques déçoivent-ils ?
Le marché des jumeaux numériques connaît une croissance rapide. Pourtant, derrière ce terme se cachent des réalités très différentes.
Certaines solutions reposent principalement sur une maquette BIM ou CAO enrichie d’informations dynamiques.
D’autres s’appuient sur une plateforme IoT, une supervision GTB, un SCADA, un MES ou un entrepôt de données.
Toutes permettent de visualiser des informations.
Peu permettent réellement de comprendre les relations entre les actifs, les systèmes, les processus et les données métier.
C’est précisément cette différence qui sépare un Visual Twin d’un véritable Digital Twin.
Visual Twin ou Digital Twin ?
Un Visual Twin est avant tout une représentation graphique d’un bâtiment, d’une usine ou d’une infrastructure.
Il s’agit généralement :
- d’une maquette BIM ou CAO ;
- d’un modèle 3D ;
- d’un hyperviseur affichant des données temps réel ;
- d’une plateforme IoT proposant des tableaux de bord.
Ces solutions permettent de visualiser les données.
En revanche, elles ne fusionnent pas réellement les données BIM/CAD, OT et IT dans un modèle de connaissance unifié.
Les données restent stockées dans plusieurs systèmes distincts :
- BIM ou CAO pour la description physique ;
- GTB, SCADA, MES ou IoT pour les données opérationnelles ;
- GMAO, ERP, IWMS ou ticketing pour les données métier.
Le lien entre ces informations repose souvent sur des connecteurs, des tags ou des synchronisations partielles.
Le résultat est une vision enrichie mais toujours fragmentée.
Un véritable Digital Twin doit aller beaucoup plus loin.
Ce que dit réellement le Digital Twin Consortium
Le Digital Twin Consortium (DTC), principal organisme international de référence sur les jumeaux numériques, définit un Digital Twin comme une représentation virtuelle intégrée et pilotée par les données d’entités et de processus du monde réel.
Cette définition repose sur plusieurs principes fondamentaux :
- intégration des données ;
- contextualisation ;
- synchronisation avec le monde réel ;
- interopérabilité ;
- évolutivité.
Le DTC n’impose aucune technologie particulière.
En revanche, les caractéristiques qu’il décrit imposent une capacité à représenter les relations entre les données et à faire évoluer le modèle dans le temps.
Une convergence mondiale vers les modèles sémantiques
Les principaux travaux internationaux convergent aujourd’hui vers une même direction.
Digital Twin Consortium (DTC)
Le DTC définit les principes architecturaux des jumeaux numériques.
Industrial Digital Twin Association (IDTA)
L’IDTA est l’organisation à l’origine de l’Asset Administration Shell (AAS), souvent considéré comme la colonne vertébrale des futurs jumeaux numériques industriels.
Asset Administration Shell (AAS)
L’AAS propose un modèle standardisé permettant de décrire numériquement les actifs industriels et leurs relations.
Digital Twins Definition Language (DTDL)
Développé par Microsoft, DTDL est un langage permettant de modéliser des actifs, leurs propriétés, leurs télémétries et leurs relations.
Malgré leurs approches différentes, tous ces travaux reposent sur une idée commune :
Les données n’ont de valeur que lorsqu’elles sont reliées entre elles.
Autrement dit, la compréhension des relations devient aussi importante que les données elles-mêmes.
Le véritable défi : contextualiser les données
Dans un bâtiment, une usine ou une infrastructure, les données proviennent de multiples sources :
- BIM ;
- CAO ;
- GTB ;
- SCADA ;
- MES ;
- ERP ;
- GMAO ;
- IoT ;
- documentation ;
- historiques de maintenance ;
- données énergétiques.
Ces données n’ont de sens que lorsqu’elles sont contextualisées.
Une alarme n’a de valeur que si l’on sait :
- quel équipement est concerné ;
- où il se situe ;
- quels espaces ou processus il impacte ;
- quelles interventions ont déjà été réalisées ;
- quels autres actifs dépendent de lui.
Le défi principal d’un jumeau numérique n’est donc pas de collecter davantage de données.
Le défi consiste à comprendre les relations qui existent entre elles.
Pourquoi les bases relationnelles atteignent leurs limites
Les bases relationnelles ont été conçues pour gérer efficacement les transactions.
Elles excellent dans les ERP, les GMAO ou les MES.
Mais lorsque les relations deviennent nombreuses et évolutives, leur complexité augmente rapidement.
Chaque nouvelle relation nécessite généralement :
- de nouvelles tables ;
- de nouvelles jointures ;
- de nouveaux développements.
Cette approche devient difficile à maintenir à grande échelle.
Pourquoi les bases time-series ne suffisent pas
Les bases time-series sont parfaitement adaptées aux données issues :
- des automates ;
- des capteurs ;
- des GTB ;
- des SCADA ;
- de l’IoT.
Elles permettent de stocker efficacement des millions de mesures horodatées.
Mais elles ne décrivent pas naturellement les relations entre les équipements, les espaces, les processus et les services métier.
Elles savent qu’un événement s’est produit.
Elles ne savent pas naturellement pourquoi il s’est produit ni quelles seront ses conséquences.
Pourquoi les graphes sémantiques sont particulièrement adaptés
Un graphe sémantique ne stocke pas uniquement des données.
Il stocke également leur signification et leurs relations.
Il devient ainsi possible :
- d’unifier les données BIM/CAD, OT et IT ;
- d’analyser les dépendances ;
- d’identifier les causes racines ;
- de réaliser des analyses d’impact ;
- de contextualiser les données pour l’IA ;
- de faire évoluer le modèle sans refonte complète.
Dans un graphe, la relation devient un objet de premier niveau.
C’est précisément ce dont un jumeau numérique a besoin.
Pourquoi la plupart des architectures du marché restent incomplètes
La majorité des solutions du marché reposent sur une architecture composée :
- d’une base relationnelle ;
- d’une base time-series ;
- parfois d’une base graphe complémentaire.
Ces architectures permettent de connecter les données.
Elles ne les fusionnent pas réellement.
Chaque catégorie d’information reste stockée dans un système différent.
Les relations doivent être reconstituées au travers de couches applicatives, de connecteurs ou de traitements intermédiaires.
Cette approche introduit :
- davantage de complexité ;
- davantage de maintenance ;
- davantage de latence ;
- davantage de risques d’incohérence.
Autrement dit, les silos restent présents.
Ils sont simplement interconnectés.
L’approche de SpinalCom
Chez SpinalCom, nous avons fait un choix radicalement différent.
SpinalCore a été conçu dès l’origine comme une base de données graphe sémantique asynchrone permettant de gérer au sein d’un référentiel unique :
- la description physique des actifs (BIM/CAD) ;
- les données OT temps réel ;
- les données IT transactionnelles ;
- les relations entre l’ensemble de ces informations.
L’objectif n’est pas d’interconnecter plusieurs référentiels.
L’objectif est de créer une source unique de vérité capable d’unifier les données dans un même modèle de connaissance.
Cette architecture permet notamment :
- d’analyser les dépendances entre équipements ;
- de rechercher les causes racines ;
- de comprendre les impacts d’une panne ;
- de contextualiser les données pour l’intelligence artificielle ;
- de faire évoluer le modèle sans remettre en cause l’existant.
Pourquoi cela devient essentiel pour l’IA
L’intelligence artificielle ne crée pas de valeur à partir de données isolées.
Elle crée de la valeur lorsqu’elle comprend le contexte.
Un modèle d’IA capable d’accéder à un graphe sémantique peut comprendre :
- les relations entre équipements ;
- les dépendances entre processus ;
- les impacts opérationnels ;
- les historiques d’intervention ;
- les interactions entre les systèmes.
La qualité des futurs agents IA dépendra directement de la qualité du modèle de connaissance sous-jacent.
Dans cette perspective, le graphe sémantique devient non seulement le socle du jumeau numérique mais également celui de l’IA opérationnelle.
Conclusion
Une maquette BIM n’est pas un jumeau numérique.
Une plateforme IoT n’est pas un jumeau numérique.
Une supervision GTB ou un SCADA n’est pas un jumeau numérique.
Un Visual Twin n’est pas un jumeau numérique.
Un véritable jumeau numérique repose avant tout sur un modèle de connaissance capable de contextualiser, relier et faire évoluer les données décrivant un actif, un bâtiment, une usine ou une infrastructure.
C’est précisément pour répondre à cet objectif que les graphes sémantiques apparaissent aujourd’hui comme le socle le plus pertinent des Digital Twins de nouvelle génération.