Table des Matières
Un capteur logiciel (soft sensor) est un modèle qui estime une variable procédé impossible à mesurer en ligne, comme la pureté d'un produit ou l'indice de fluidité, à partir de variables mesurées en continu : températures, pressions, débits. Il tourne dans le système de contrôle et fournit une valeur toutes les quelques secondes ou minutes, au lieu d'attendre le laboratoire.
Points clés
- Un capteur logiciel transforme des mesures simples en estimation continue d'une variable qualité difficile ou trop coûteuse à mesurer en ligne (Lawrence et al., 2024).
- Les résultats de laboratoire arrivent tard. L'indice de fluidité du polypropylène n'est mesuré que toutes les 2 à 4 heures (Farsang et al., 2015), et de nombreux prélèvements qualité ont lieu une fois par poste de 8 heures ou une fois par jour (Lawrence et al., 2024).
- Il existe trois familles : modèles physiques (premiers principes), modèles data-driven et modèles hybrides. Les modèles data-driven dominent la recherche, mais les praticiens commencent en général par un modèle linéaire.
- Le laboratoire reste dans la boucle, comme référence pour la validation et pour les corrections de biais.
- Un capteur logiciel tombe en défaut sans bruit : capteurs d'entrée défaillants, dérive du procédé, fonctionnement hors du domaine d'apprentissage.
Qu'est-ce qu'un capteur logiciel ?
Dans une raffinerie, une usine chimique, une cimenterie ou une laverie de minerai, les variables qui comptent le plus commercialement sont souvent les plus difficiles à mesurer : pureté du produit, indice de fluidité d'un polymère, chaux libre du clinker, teneur du concentré. Une étude récente les décrit comme des variables difficiles à mesurer en ligne en raison de limites technologiques ou du coût élevé des capteurs (Lawrence et al., 2024).
Un capteur logiciel est un modèle mathématique qui estime une telle variable en continu à partir de mesures fiables et peu coûteuses. « Logiciel » veut dire qu'il s'agit d'un calcul dans le DCS, la couche de contrôle avancé ou un serveur relié à l'historian, et non d'un nouvel instrument sur le terrain. On parle aussi de capteur inférentiel ou de capteur virtuel. Selon la même étude, les raffineries, la sidérurgie, les producteurs de polymères et les cimenteries restent les principaux utilisateurs.
Pourquoi les analyses de laboratoire sont-elles trop lentes pour la conduite du procédé ?
Le laboratoire est précis mais lent : l'échantillon est prélevé, transporté, analysé puis saisi, pendant que l'unité continue de produire. Les exemples publiés montrent l'ampleur de l'écart.
| Variable qualité | Procédé | Mesure de référence | Retard ou fréquence |
|---|---|---|---|
| Teneur en butane en fond de débutaniseur | Fractionnement du naphta en raffinerie | Chromatographe en phase gazeuse en tête de la colonne de déisopentanisation | Retard de 30 à 75 minutes (Pani et al., 2016) |
| Indice de fluidité | Réacteur de polypropylène | Essai de laboratoire selon ASTM D1238 ou ISO 1133 | Toutes les 2 à 4 heures (Farsang et al., 2015) |
| Chaux libre du clinker | Four de cimenterie | Échantillon de laboratoire | Retard de plus de 2 heures (Fuller Technologies) |
| Teneur du concentré | Flottation | Analyseur en ligne | Environ toutes les 10 à 15 minutes (Duchesne et al., 2003) |
| Variables qualité courantes | Industries de procédés en général | Échantillon de laboratoire | Une fois par poste de 8 heures ou une fois par jour (Lawrence et al., 2024) |
Même l'analyseur de flottation est jugé par ses auteurs trop lent par rapport à la dynamique du procédé (Duchesne et al., 2003).
Le prix du retard, c'est la marge. Une perturbation qui apparaît et disparaît entre deux prélèvements n'est jamais vue, alors les exploitants gardent une distance de sécurité par rapport à la spécification. Un fournisseur d'équipements pour cimenteries décrit des fours surcuits ou sous-cuits pour compenser le retard des résultats de chaux libre, et des broyeurs finisseurs conduits de façon prudente entre deux mesures de finesse (Fuller Technologies). Un capteur logiciel réduit cet angle mort.
Modèle physique ou data-driven : quel type de capteur logiciel ?
Les capteurs logiciels se répartissent en trois familles (Lawrence et al., 2024) :
| Type | Construit à partir de | Points forts | Points faibles |
|---|---|---|---|
| Modèle physique (boîte blanche) | Bilans matière et énergie, thermodynamique, cinétique ; souvent un filtre de Kalman | Sens physique ; respecte les lois de conservation | Exige une connaissance approfondie du procédé ; difficile à calibrer pour des procédés complexes non linéaires |
| Data-driven (boîte noire) | Historique procédé et laboratoire : PLS, réseaux de neurones et méthodes similaires | Capture des comportements complexes sans modèle complet | Ne connaît que ce qui est dans les données ; se dégrade quand le procédé passe dans un nouveau régime de fonctionnement |
| Hybride (boîte grise) | Une structure physique dont les paramètres ou les résidus sont appris sur les données | Combine structure physique et ajustement aux données | Plus d'effort ; la partie data-driven peut apporter peu loin des données d'apprentissage |
Dans les publications sur les capteurs logiciels de 2015 à 2023, la recherche a surtout porté sur les modèles data-driven : les réseaux de neurones en représentent environ 48 % et la PLS environ 11 %, tandis que les capteurs hybrides ont reçu le moins d'attention (Lawrence et al., 2024). La pratique industrielle est plus prudente : l'usage est de développer d'abord un modèle linéaire et de ne passer à des méthodes plus complexes que s'il n'est pas assez précis. Les coefficients d'un modèle PLS peuvent en outre être vérifiés à la lumière de la connaissance du procédé par les ingénieurs qui en auront la charge.
Où utilise-t-on des capteurs logiciels dans les usines de procédés ?
Qualité des produits de distillation. Dans un débutaniseur, le butane en fond de colonne est mesuré par un chromatographe installé en tête de la colonne de déisopentanisation, ce qui introduit un retard de 30 à 75 minutes qu'un capteur logiciel placé sur le soutirage de fond peut combler (Pani et al., 2016). Dans le jeu de données public de cette colonne, les sept entrées sont les températures de tête, de plateau et de fond, les pressions de tête et de fond, le débit de reflux et le débit de produit de tête (Wang et Dang, 2024).
Indice de fluidité des polymères. Dans une usine hongroise de polypropylène à deux réacteurs boucle, un capteur logiciel estime l'indice de fluidité entre deux essais de laboratoire en combinant PCA et PLS avec des équations de bilan pour réconcilier des mesures bruitées (Farsang et al., 2015).
Chaux libre en cimenterie. Un fournisseur de contrôle de procédé pour cimenteries entraîne des réseaux de neurones profonds sur l'historique d'exploitation et de laboratoire de l'usine pour prédire la chaux libre et la finesse toutes les deux à trois minutes ; les résultats de laboratoire servent à valider le modèle et à recalculer son biais (Fuller Technologies).
Teneur en flottation. Des images de la surface de l'écume, condensées par PCA et PLS, servent à prédire la teneur du concentré entre deux mesures de l'analyseur en ligne (Duchesne et al., 2003).
Ces exemples correspondent aux quatre secteurs dans lesquels nous travaillons : pétrole et gaz, chimie, industrie manufacturière et mines.
De quelles données a-t-on besoin pour construire un capteur logiciel ?
- Historique procédé issu de l'historian pour chaque entrée candidate, à une résolution plus fine que la dynamique du procédé, couvrant toutes les qualités, charges et modes de marche que le capteur rencontrera.
- Résultats de laboratoire avec l'heure de prélèvement. L'horodatage doit correspondre au moment du prélèvement, pas à celui de l'analyse ou de la saisie dans le LIMS ; sinon le modèle apprend sur des données décalées.
- Événements : changements de qualité, arrêts, incidents, étalonnages d'instruments et maintenance des analyseurs, pour exclure ou marquer ces périodes.
- Connaissance du procédé : temps de séjour et temps morts entre chaque entrée et le point de prélèvement, pour décaler les entrées dans le temps.
Les données étiquetées sont le goulot d'étranglement, et l'étude les considère comme le principal défi du développement d'un capteur logiciel (Lawrence et al., 2024). Une année de prélèvements à raison d'un par poste donne environ un millier de points de laboratoire.
Comment construire un capteur logiciel, étape par étape ?
Les étapes ci-dessous suivent la démarche industrielle décrite par Lawrence et al. (2024), complétée de conseils pratiques.
- Définir la cible et l'intérêt économique. Associer le tableautiste, l'ingénieur procédé et l'ingénieur contrôle, et mettre en balance les coûts et le bénéfice attendu, par exemple moins de produit hors spécification ou moins de surqualité.
- Choisir les entrées à partir de la connaissance du procédé. Si cette connaissance est limitée, des méthodes comme LASSO ou la régression ridge aident à écarter les entrées sans influence notable.
- Collecter et nettoyer les données. Retirer les valeurs aberrantes, les valeurs manquantes, les arrêts et les incidents. Les données industrielles sont abondantes mais pauvres en information.
- Aligner dans le temps. Les entrées sont échantillonnées bien plus souvent que le laboratoire. Garder les valeurs d'entrée qui correspondent à chaque prélèvement, décalées du temps mort concerné.
- Entraîner et valider hors ligne. Commencer par un modèle linéaire. Découper les données dans le temps : apprentissage sur les données anciennes, test sur une période plus récente.
- Déployer en boucle ouverte. Le faire tourner dans le DCS ou sur un serveur connecté, l'afficher aux exploitants et le comparer aux résultats du laboratoire avant de s'y fier. L'article sur l'intégration de l'IA aux systèmes SCADA et OT traite de la connexion.
- Passer la main. Quand l'estimation suit le laboratoire de façon constante, elle peut servir dans une boucle de régulation et être confiée au tableautiste.
Comment valider un capteur logiciel face au laboratoire ?
La validation vérifie si l'estimation fait mieux que ce dont disposent déjà les exploitants entre deux prélèvements.
- Tester sur une période ultérieure qui comprend un changement de qualité ou une perturbation, pas seulement du régime stable.
- Calculer les indicateurs usuels. L'erreur quadratique moyenne (RMSE) et la corrélation avec les valeurs de laboratoire sont les mesures habituelles (Lawrence et al., 2024). Ajouter l'erreur moyenne, qui révèle le biais.
- Tracer la courbe. Mettre estimations et valeurs de laboratoire sur une même tendance et vérifier que l'estimation suit le laboratoire.
- Battre une référence naïve : la dernière valeur de laboratoire maintenue jusqu'à la suivante. Sinon, le capteur logiciel n'apporte rien.
- Le laboratoire a sa propre erreur. Quand l'erreur du capteur logiciel approche la répétabilité de la méthode de laboratoire, les gains supplémentaires ne sont plus mesurables.
Pourquoi un capteur logiciel tombe-t-il en défaut, et comment l'entretenir ?
| Mode de défaillance | Symptôme | Réponse |
|---|---|---|
| Défaut d'un capteur d'entrée (transmetteur figé, en dérive ou en panne, liaison de données perdue) | Saut brutal ou valeur figée de l'estimation | Contrôles de plage et de vitesse de variation sur chaque entrée ; signaler ou figer l'estimation et revenir au laboratoire |
| Dérive lente du procédé (vieillissement du catalyseur, encrassement, changement de matière première) | Écart croissant avec le laboratoire | Correction de biais à chaque résultat de laboratoire ; réentraîner sur des données récentes si l'écart revient |
| Fonctionnement hors du domaine d'apprentissage (nouvelle qualité, nouvelle charge, nouveau débit) | Erreurs importantes, estimations hors de la plage normale de fonctionnement | Vérifier que les entrées restent dans le domaine d'apprentissage ; construire un modèle par mode de marche ; réentraîner |
| Résultats de laboratoire erronés | Corrections de biais qui suivent le bruit | Filtrer les valeurs de laboratoire avant de les utiliser pour les corrections |
Quand les estimations se dégradent, les praticiens vérifient d'abord les entrées (défauts de capteurs, problèmes de transmission, valeurs aberrantes, arrêts, incidents) avant de toucher au modèle (Lawrence et al., 2024). Les capteurs logiciels statiques perdent en précision quand le procédé passe dans un nouveau régime de fonctionnement. Les capteurs adaptatifs mettent à jour leurs paramètres à partir des nouveaux échantillons, mais moins d'un tiers de ceux recensés dans l'étude étaient adaptatifs. La correction de biais, qui ramène l'estimation vers le dernier résultat de laboratoire, est l'approche de maintenance la plus répandue. Elle corrige un décalage, pas une pente erronée, qui exige un réentraînement. Une revue plus ancienne couvrant la chimie, les bioprocédés et la sidérurgie traite aussi la maintenance comme une question ouverte (Kadlec et al., 2009).
Désignez pour chaque capteur logiciel un responsable nommé, qui examine son écart avec le laboratoire selon un calendrier fixe.
Par où commencer ?
Choisissez une variable qualité pour laquelle le retard du laboratoire coûte de l'argent, avec au moins un an d'historique de laboratoire et des instruments d'entrée fiables. Une courte évaluation de maturité IA permet de vérifier les données avant toute modélisation. À lire aussi : le contrôle de procédé par IA dans la chimie.
Notre équipe data science construit des modèles prédictifs sur des données industrielles et les déploie sur votre propre infrastructure. La même discipline, prédire d'abord puis confirmer au laboratoire, est au cœur de nos travaux Virtual Lab en R&D de formulation, un cas d'usage différent d'un capteur logiciel en ligne : chez ENAD Shymeca, il a réduit de 40 % les cycles d'essais physiques, et chez ADFC, la comparaison entre résultats simulés et réels guide les ajustements. Pour en savoir plus : Virtual Lab pour la R&D industrielle.
Sources
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- Farsang et al., PCA Based Data Reconciliation in Soft Sensor Development: Application for Melt Flow Index Estimation, Chemical Engineering Transactions 43, 2015
- Pani, Amin et Mohanta, Soft sensing of product quality in the debutanizer column with principal component analysis and feed-forward artificial neural network, Alexandria Engineering Journal 55, 2016
- Wang et Dang, Fuzzy Recurrent Stochastic Configuration Networks for Industrial Data Analytics, arXiv 2407.11038, 2024
- Duchesne et al., Application of Multivariate Image Analysis (MIA) to Predict Concentrate Grade in Froth Flotation Processes, CIM, 2003
- Fuller Technologies, AI-Powered Soft Sensors for Cement Process Optimization
- Kadlec, Gabrys et Strandt, Data-driven soft sensors in the process industry, Computers and Chemical Engineering 33, 2009
Questions fréquentes
Quelle est la différence entre un capteur logiciel et un analyseur en ligne ?
Un analyseur en ligne, comme un chromatographe en phase gazeuse ou un analyseur en ligne de flottation, mesure physiquement un échantillon du flux. Un capteur logiciel est un calcul qui estime la même propriété à partir d'autres mesures comme les températures, pressions et débits. Les deux sont souvent combinés : le capteur logiciel comble les intervalles entre deux résultats d'analyseur ou de laboratoire et il est recalé par eux.
Capteur logiciel, capteur virtuel et capteur inférentiel, est-ce la même chose ?
Oui, en pratique ces termes désignent la même chose. Soft sensor, capteur virtuel, capteur inférentiel ou modèle inférentiel décrivent tous un modèle qui déduit une variable difficile à mesurer à partir de variables faciles à mesurer. Les éditeurs et les manuels utilisent simplement des noms différents.
Combien de données faut-il pour construire un capteur logiciel ?
La limite est généralement le nombre de résultats de laboratoire, pas les données procédé. Si la variable qualité est prélevée une fois par poste, une année complète donne environ un millier de points étiquetés, et une fois par jour en donne environ 365. L'historique doit aussi couvrir toutes les qualités, charges et modes de marche que le capteur rencontrera en service.
Peut-on utiliser un capteur logiciel en régulation en boucle fermée ?
Oui, mais seulement après une période de validation en ligne en boucle ouverte, pendant laquelle exploitants et ingénieurs comparent ses estimations aux résultats du laboratoire. Une fois qu'il suit le laboratoire de façon constante, il peut servir de mesure dans une boucle de régulation ou une application de contrôle avancé. Il doit rester surveillé, avec un repli prévu en cas de défaut de ses entrées.
À quelle fréquence faut-il réentraîner un capteur logiciel ?
Il n'y a pas d'intervalle fixe. Une approche courante consiste à appliquer une correction de biais à chaque nouveau résultat de laboratoire et à réentraîner le modèle seulement quand l'erreur augmente, après une modification du procédé, ou quand une nouvelle qualité ou une nouvelle charge apparaît. Le suivi de l'écart entre estimation et laboratoire dans le temps indique quand le réentraînement est nécessaire.
Un capteur logiciel remplace-t-il les analyses de laboratoire ?
Non. Le laboratoire reste la mesure de référence. Il sert à entraîner le capteur logiciel, à le valider avant usage et à le recaler une fois en service ; réduire trop fortement les prélèvements supprime donc les données dont il dépend.



