Trois Questions à Denis Debaecker sur le jumeau numérique

Denis Debaecker est Senior Partner au sein du cabinet de conseil en Management Mews Partners. Cette offreur de solution mène pour ses clients de l’industrie ( l’aérospatial et de la défense, de la distribution et des services) des projets de stratégie opérationnelle notamment dans les domaines de la R&D, de la production, des achats et de la Supply Chain. Fort d’une expérience de plusieurs décennies dans le domaine du Product Lifecycle Management, Denis est également l'auteur des livres: PLM Collaborative Product Lifecycle Management, PLM through Experience et Vice President du PLM Lab.

Comment décririez-vous l’adoption des jumeaux numériques dans l’industrie aujourd’hui, en Europe ?
L’expression jumeau numérique et son équivalent anglais “digital twin” deviennent très en vogue. Il suffit pour s’en convaincre de consulter les slogans ou les stratégies affichées par les acteurs du numérique éditeurs ou intégrateurs, mais aussi les industriels proposant des équipements et solutions numériques. Mais cet engouement cache des confusions sur ce que cela recouvre. C’est pourquoi il me semble utile de commencer par recenser les cas et savoir de quel jumeau on parle. Distinguons donc : L’objet physique (produit, usine…)La description numérique du produit, de l’objet. C’est notamment la classique maquette numérique, vieille comme la CAO, mais désormais tenue à jour au long de sa vie et contrôlée de la conception à la fin de vie par le PLM, product life cycle management. Il s’agit déjà d’un modèle du produit puisqu’on choisit ce qu’on veut représenter de l’objet réel, en devenir ou existant. Par exemple : avec une porte ouverte ou fermée, ou les deux ; avec un réservoir plein ou vide, des modèles 3D détaillés, simplifié…L’objet simulé par rapport à un ou plusieurs comportements. Ce qui implique des modélisations adaptées à la simulation visée (exemple : maillage, cas de chargement…)La représentation ou modélisation de la vie réelle, opérationnelle du produit. Il s’agit en général des données issues de capteurs permettant de recueillir des caractéristiques, performances, … du produit réel en opération.L’intérêt du jumeau numérique est de relier ces représentations. Exemple : un modèle CAO de moteur avec un modèle simulé de vibration avec un modèle comportemental / fonctionnel, avec un recueil des données réelles de vibration, de température d’huile, de couple, de vitesse de rotation... Les applications utiles découlent de ces possibilités.Alors l’adoption dans l’industrie se voit dans toute sa diversité. On peut l’illustrer dans quelques grands cas d’usage :La maintenance prédictive, s’appuyant sur l’intelligence artificielle pour prédire des potentiels d’utilisation, des pannes et opérations de maintenance à partir d’historiques, de données captées et des modèles : ce sujet s’est largement répandu dans les entreprises propriétaires ou opérateurs d’installations complexes : usines, chaines de production discrètes ou continues. Pour autant les cas concrets restent clairsemés. Des usines pilotes, de Proof of Concept ; quelques MVP (minimum viable product) et des applications en production après des premiers pilotes. La localisation. Particulièrement visée dans le secteur de la mobilité et de la ville intelligente, cette fonction reliant modèle géographique et capteurs (caméras, radars, lidars, mesure inertielle…) est une pierre angulaire du futur véhicule autonome et est déjà visible dans les cockpits des voitures haut de gamme. Le jumeau numérique de l’usine, des lignes de production. L’enjeu est ici de modéliser les moyens de production et de prévoir la fabrication, assemblage, production de produits, que ce soit en discrete manufacturing (automobile, aéronautique…) ou en industrie de process (agro-alimentaire, chimie…). Sous le nom de digital manufacturing, incluant la prise en compte des bill of process et la simulation des flux physiques, ces technologies sont présentes, répandues et en plein essor, avec un accent mis sur le numérique « sans couture », reliant la description des gammes de fabrication et d’assemblage aux réglages de cadence, d’approvisionnement etc.La formation à l’exploitation d’installations (pétro chimique, naval…) y compris aux scénarios d’anomalies, de travaux, d’accidents. La maquette hybride des installations, bâtiments, villes, combinant la vue théorique CAO 3D avec les scans laser ou la photogrammétrie laser 3D, permettant d’identifier et comprendre les écarts.Le monitoring des produits, voire des familles / flottes de produits. Là, les cas se multiplient par la démocratisation de la capture et l’exploitation des données, tous secteurs confondus.

Fort d’une expérience de plusieurs décennies dans le domaine du Product Lifecycle Management, Denis est également l'auteur des livres: PLM Collaborative Product Lifecycle Management, PLM through Experience et Vice President du PLM Lab.

Comment décririez-vous l’adoption des jumeaux numériques dans l’industrie aujourd’hui, en Europe ?
L’expression jumeau numérique et son équivalent anglais “digital twin” deviennent très en vogue. Il suffit pour s’en convaincre de consulter les slogans ou les stratégies affichées par les acteurs du numérique éditeurs ou intégrateurs, mais aussi les industriels proposant des équipements et solutions numériques. Mais cet engouement cache des confusions sur ce que cela recouvre. C’est pourquoi il me semble utile de commencer par recenser les cas et savoir de quel jumeau on parle. Distinguons donc : L’objet physique (produit, usine…)La description numérique du produit, de l’objet. C’est notamment la classique maquette numérique, vieille comme la CAO, mais désormais tenue à jour au long de sa vie et contrôlée de la conception à la fin de vie par le PLM, product life cycle management. Il s’agit déjà d’un modèle du produit puisqu’on choisit ce qu’on veut représenter de l’objet réel, en devenir ou existant. Par exemple : avec une porte ouverte ou fermée, ou les deux ; avec un réservoir plein ou vide, des modèles 3D détaillés, simplifié…L’objet simulé par rapport à un ou plusieurs comportements. Ce qui implique des modélisations adaptées à la simulation visée (exemple : maillage, cas de chargement…)La représentation ou modélisation de la vie réelle, opérationnelle du produit. Il s’agit en général des données issues de capteurs permettant de recueillir des caractéristiques, performances, … du produit réel en opération.L’intérêt du jumeau numérique est de relier ces représentations. Exemple : un modèle CAO de moteur avec un modèle simulé de vibration avec un modèle comportemental / fonctionnel, avec un recueil des données réelles de vibration, de température d’huile, de couple, de vitesse de rotation... Les applications utiles découlent de ces possibilités.Alors l’adoption dans l’industrie se voit dans toute sa diversité. On peut l’illustrer dans quelques grands cas d’usage :La maintenance prédictive, s’appuyant sur l’intelligence artificielle pour prédire des potentiels d’utilisation, des pannes et opérations de maintenance à partir d’historiques, de données captées et des modèles : ce sujet s’est largement répandu dans les entreprises propriétaires ou opérateurs d’installations complexes : usines, chaines de production discrètes ou continues. Pour autant les cas concrets restent clairsemés. Des usines pilotes, de Proof of Concept ; quelques MVP (minimum viable product) et des applications en production après des premiers pilotes. La localisation. Particulièrement visée dans le secteur de la mobilité et de la ville intelligente, cette fonction reliant modèle géographique et capteurs (caméras, radars, lidars, mesure inertielle…) est une pierre angulaire du futur véhicule autonome et est déjà visible dans les cockpits des voitures haut de gamme. Le jumeau numérique de l’usine, des lignes de production. L’enjeu est ici de modéliser les moyens de production et de prévoir la fabrication, assemblage, production de produits, que ce soit en discrete manufacturing (automobile, aéronautique…) ou en industrie de process (agro-alimentaire, chimie…). Sous le nom de digital manufacturing, incluant la prise en compte des bill of process et la simulation des flux physiques, ces technologies sont présentes, répandues et en plein essor, avec un accent mis sur le numérique « sans couture », reliant la description des gammes de fabrication et d’assemblage aux réglages de cadence, d’approvisionnement etc.La formation à l’exploitation d’installations (pétro chimique, naval…) y compris aux scénarios d’anomalies, de travaux, d’accidents. La maquette hybride des installations, bâtiments, villes, combinant la vue théorique CAO 3D avec les scans laser ou la photogrammétrie laser 3D, permettant d’identifier et comprendre les écarts.Le monitoring des produits, voire des familles / flottes de produits. Là, les cas se multiplient par la démocratisation de la capture et l’exploitation des données, tous secteurs confondus.

Comment décririez-vous l’adoption des jumeaux numériques dans l’industrie aujourd’hui, en Europe ?
L’expression jumeau numérique et son équivalent anglais “digital twin” deviennent très en vogue. Il suffit pour s’en convaincre de consulter les slogans ou les stratégies affichées par les acteurs du numérique éditeurs ou intégrateurs, mais aussi les industriels proposant des équipements et solutions numériques. Mais cet engouement cache des confusions sur ce que cela recouvre. C’est pourquoi il me semble utile de commencer par recenser les cas et savoir de quel jumeau on parle. Distinguons donc : L’objet physique (produit, usine…)La description numérique du produit, de l’objet. C’est notamment la classique maquette numérique, vieille comme la CAO, mais désormais tenue à jour au long de sa vie et contrôlée de la conception à la fin de vie par le PLM, product life cycle management. Il s’agit déjà d’un modèle du produit puisqu’on choisit ce qu’on veut représenter de l’objet réel, en devenir ou existant. Par exemple : avec une porte ouverte ou fermée, ou les deux ; avec un réservoir plein ou vide, des modèles 3D détaillés, simplifié…L’objet simulé par rapport à un ou plusieurs comportements. Ce qui implique des modélisations adaptées à la simulation visée (exemple : maillage, cas de chargement…)La représentation ou modélisation de la vie réelle, opérationnelle du produit. Il s’agit en général des données issues de capteurs permettant de recueillir des caractéristiques, performances, … du produit réel en opération.L’intérêt du jumeau numérique est de relier ces représentations. Exemple : un modèle CAO de moteur avec un modèle simulé de vibration avec un modèle comportemental / fonctionnel, avec un recueil des données réelles de vibration, de température d’huile, de couple, de vitesse de rotation... Les applications utiles découlent de ces possibilités.Alors l’adoption dans l’industrie se voit dans toute sa diversité. On peut l’illustrer dans quelques grands cas d’usage :La maintenance prédictive, s’appuyant sur l’intelligence artificielle pour prédire des potentiels d’utilisation, des pannes et opérations de maintenance à partir d’historiques, de données captées et des modèles : ce sujet s’est largement répandu dans les entreprises propriétaires ou opérateurs d’installations complexes : usines, chaines de production discrètes ou continues. Pour autant les cas concrets restent clairsemés. Des usines pilotes, de Proof of Concept ; quelques MVP (minimum viable product) et des applications en production après des premiers pilotes. La localisation. Particulièrement visée dans le secteur de la mobilité et de la ville intelligente, cette fonction reliant modèle géographique et capteurs (caméras, radars, lidars, mesure inertielle…) est une pierre angulaire du futur véhicule autonome et est déjà visible dans les cockpits des voitures haut de gamme. Le jumeau numérique de l’usine, des lignes de production. L’enjeu est ici de modéliser les moyens de production et de prévoir la fabrication, assemblage, production de produits, que ce soit en discrete manufacturing (automobile, aéronautique…) ou en industrie de process (agro-alimentaire, chimie…). Sous le nom de digital manufacturing, incluant la prise en compte des bill of process et la simulation des flux physiques, ces technologies sont présentes, répandues et en plein essor, avec un accent mis sur le numérique « sans couture », reliant la description des gammes de fabrication et d’assemblage aux réglages de cadence, d’approvisionnement etc.La formation à l’exploitation d’installations (pétro chimique, naval…) y compris aux scénarios d’anomalies, de travaux, d’accidents. La maquette hybride des installations, bâtiments, villes, combinant la vue théorique CAO 3D avec les scans laser ou la photogrammétrie laser 3D, permettant d’identifier et comprendre les écarts.Le monitoring des produits, voire des familles / flottes de produits. Là, les cas se multiplient par la démocratisation de la capture et l’exploitation des données, tous secteurs confondus.

Comment décririez-vous l’adoption des jumeaux numériques dans l’industrie aujourd’hui, en Europe ?

L’expression jumeau numérique et son équivalent anglais “digital twin” deviennent très en vogue. Il suffit pour s’en convaincre de consulter les slogans ou les stratégies affichées par les acteurs du numérique éditeurs ou intégrateurs, mais aussi les industriels proposant des équipements et solutions numériques. Mais cet engouement cache des confusions sur ce que cela recouvre. C’est pourquoi il me semble utile de commencer par recenser les cas et savoir de quel jumeau on parle. Distinguons donc : L’objet physique (produit, usine…)La description numérique du produit, de l’objet. C’est notamment la classique maquette numérique, vieille comme la CAO, mais désormais tenue à jour au long de sa vie et contrôlée de la conception à la fin de vie par le PLM, product life cycle management. Il s’agit déjà d’un modèle du produit puisqu’on choisit ce qu’on veut représenter de l’objet réel, en devenir ou existant. Par exemple : avec une porte ouverte ou fermée, ou les deux ; avec un réservoir plein ou vide, des modèles 3D détaillés, simplifié…L’objet simulé par rapport à un ou plusieurs comportements. Ce qui implique des modélisations adaptées à la simulation visée (exemple : maillage, cas de chargement…)La représentation ou modélisation de la vie réelle, opérationnelle du produit. Il s’agit en général des données issues de capteurs permettant de recueillir des caractéristiques, performances, … du produit réel en opération.L’intérêt du jumeau numérique est de relier ces représentations. Exemple : un modèle CAO de moteur avec un modèle simulé de vibration avec un modèle comportemental / fonctionnel, avec un recueil des données réelles de vibration, de température d’huile, de couple, de vitesse de rotation... Les applications utiles découlent de ces possibilités.Alors l’adoption dans l’industrie se voit dans toute sa diversité. On peut l’illustrer dans quelques grands cas d’usage :La maintenance prédictive, s’appuyant sur l’intelligence artificielle pour prédire des potentiels d’utilisation, des pannes et opérations de maintenance à partir d’historiques, de données captées et des modèles : ce sujet s’est largement répandu dans les entreprises propriétaires ou opérateurs d’installations complexes : usines, chaines de production discrètes ou continues. Pour autant les cas concrets restent clairsemés. Des usines pilotes, de Proof of Concept ; quelques MVP (minimum viable product) et des applications en production après des premiers pilotes. La localisation. Particulièrement visée dans le secteur de la mobilité et de la ville intelligente, cette fonction reliant modèle géographique et capteurs (caméras, radars, lidars, mesure inertielle…) est une pierre angulaire du futur véhicule autonome et est déjà visible dans les cockpits des voitures haut de gamme. Le jumeau numérique de l’usine, des lignes de production. L’enjeu est ici de modéliser les moyens de production et de prévoir la fabrication, assemblage, production de produits, que ce soit en discrete manufacturing (automobile, aéronautique…) ou en industrie de process (agro-alimentaire, chimie…). Sous le nom de digital manufacturing, incluant la prise en compte des bill of process et la simulation des flux physiques, ces technologies sont présentes, répandues et en plein essor, avec un accent mis sur le numérique « sans couture », reliant la description des gammes de fabrication et d’assemblage aux réglages de cadence, d’approvisionnement etc.La formation à l’exploitation d’installations (pétro chimique, naval…) y compris aux scénarios d’anomalies, de travaux, d’accidents. La maquette hybride des installations, bâtiments, villes, combinant la vue théorique CAO 3D avec les scans laser ou la photogrammétrie laser 3D, permettant d’identifier et comprendre les écarts.Le monitoring des produits, voire des familles / flottes de produits. Là, les cas se multiplient par la démocratisation de la capture et l’exploitation des données, tous secteurs confondus.

L’intérêt du jumeau numérique est de relier ces représentations. Exemple : un modèle CAO de moteur avec un modèle simulé de vibration avec un modèle comportemental / fonctionnel, avec un recueil des données réelles de vibration, de température d’huile, de couple, de vitesse de rotation... Les applications utiles découlent de ces possibilités.Alors l’adoption dans l’industrie se voit dans toute sa diversité. On peut l’illustrer dans quelques grands cas d’usage :La maintenance prédictive, s’appuyant sur l’intelligence artificielle pour prédire des potentiels d’utilisation, des pannes et opérations de maintenance à partir d’historiques, de données captées et des modèles : ce sujet s’est largement répandu dans les entreprises propriétaires ou opérateurs d’installations complexes : usines, chaines de production discrètes ou continues. Pour autant les cas concrets restent clairsemés. Des usines pilotes, de Proof of Concept ; quelques MVP (minimum viable product) et des applications en production après des premiers pilotes. La localisation. Particulièrement visée dans le secteur de la mobilité et de la ville intelligente, cette fonction reliant modèle géographique et capteurs (caméras, radars, lidars, mesure inertielle…) est une pierre angulaire du futur véhicule autonome et est déjà visible dans les cockpits des voitures haut de gamme. Le jumeau numérique de l’usine, des lignes de production. L’enjeu est ici de modéliser les moyens de production et de prévoir la fabrication, assemblage, production de produits, que ce soit en discrete manufacturing (automobile, aéronautique…) ou en industrie de process (agro-alimentaire, chimie…). Sous le nom de digital manufacturing, incluant la prise en compte des bill of process et la simulation des flux physiques, ces technologies sont présentes, répandues et en plein essor, avec un accent mis sur le numérique « sans couture », reliant la description des gammes de fabrication et d’assemblage aux réglages de cadence, d’approvisionnement etc.La formation à l’exploitation d’installations (pétro chimique, naval…) y compris aux scénarios d’anomalies, de travaux, d’accidents. La maquette hybride des installations, bâtiments, villes, combinant la vue théorique CAO 3D avec les scans laser ou la photogrammétrie laser 3D, permettant d’identifier et comprendre les écarts.Le monitoring des produits, voire des familles / flottes de produits. Là, les cas se multiplient par la démocratisation de la capture et l’exploitation des données, tous secteurs confondus.

Exemple : un modèle CAO de moteur avec un modèle simulé de vibration avec un modèle comportemental / fonctionnel, avec un recueil des données réelles de vibration, de température d’huile, de couple, de vitesse de rotation... Les applications utiles découlent de ces possibilités.Alors l’adoption dans l’industrie se voit dans toute sa diversité. On peut l’illustrer dans quelques grands cas d’usage :La maintenance prédictive, s’appuyant sur l’intelligence artificielle pour prédire des potentiels d’utilisation, des pannes et opérations de maintenance à partir d’historiques, de données captées et des modèles : ce sujet s’est largement répandu dans les entreprises propriétaires ou opérateurs d’installations complexes : usines, chaines de production discrètes ou continues. Pour autant les cas concrets restent clairsemés. Des usines pilotes, de Proof of Concept ; quelques MVP (minimum viable product) et des applications en production après des premiers pilotes. La localisation. Particulièrement visée dans le secteur de la mobilité et de la ville intelligente, cette fonction reliant modèle géographique et capteurs (caméras, radars, lidars, mesure inertielle…) est une pierre angulaire du futur véhicule autonome et est déjà visible dans les cockpits des voitures haut de gamme. Le jumeau numérique de l’usine, des lignes de production. L’enjeu est ici de modéliser les moyens de production et de prévoir la fabrication, assemblage, production de produits, que ce soit en discrete manufacturing (automobile, aéronautique…) ou en industrie de process (agro-alimentaire, chimie…). Sous le nom de digital manufacturing, incluant la prise en compte des bill of process et la simulation des flux physiques, ces technologies sont présentes, répandues et en plein essor, avec un accent mis sur le numérique « sans couture », reliant la description des gammes de fabrication et d’assemblage aux réglages de cadence, d’approvisionnement etc.La formation à l’exploitation d’installations (pétro chimique, naval…) y compris aux scénarios d’anomalies, de travaux, d’accidents. La maquette hybride des installations, bâtiments, villes, combinant la vue théorique CAO 3D avec les scans laser ou la photogrammétrie laser 3D, permettant d’identifier et comprendre les écarts.Le monitoring des produits, voire des familles / flottes de produits. Là, les cas se multiplient par la démocratisation de la capture et l’exploitation des données, tous secteurs confondus.

Alors l’adoption dans l’industrie se voit dans toute sa diversité. On peut l’illustrer dans quelques grands cas d’usage :La maintenance prédictive, s’appuyant sur l’intelligence artificielle pour prédire des potentiels d’utilisation, des pannes et opérations de maintenance à partir d’historiques, de données captées et des modèles : ce sujet s’est largement répandu dans les entreprises propriétaires ou opérateurs d’installations complexes : usines, chaines de production discrètes ou continues. Pour autant les cas concrets restent clairsemés. Des usines pilotes, de Proof of Concept ; quelques MVP (minimum viable product) et des applications en production après des premiers pilotes. La localisation. Particulièrement visée dans le secteur de la mobilité et de la ville intelligente, cette fonction reliant modèle géographique et capteurs (caméras, radars, lidars, mesure inertielle…) est une pierre angulaire du futur véhicule autonome et est déjà visible dans les cockpits des voitures haut de gamme. Le jumeau numérique de l’usine, des lignes de production. L’enjeu est ici de modéliser les moyens de production et de prévoir la fabrication, assemblage, production de produits, que ce soit en discrete manufacturing (automobile, aéronautique…) ou en industrie de process (agro-alimentaire, chimie…). Sous le nom de digital manufacturing, incluant la prise en compte des bill of process et la simulation des flux physiques, ces technologies sont présentes, répandues et en plein essor, avec un accent mis sur le numérique « sans couture », reliant la description des gammes de fabrication et d’assemblage aux réglages de cadence, d’approvisionnement etc.La formation à l’exploitation d’installations (pétro chimique, naval…) y compris aux scénarios d’anomalies, de travaux, d’accidents. La maquette hybride des installations, bâtiments, villes, combinant la vue théorique CAO 3D avec les scans laser ou la photogrammétrie laser 3D, permettant d’identifier et comprendre les écarts.Le monitoring des produits, voire des familles / flottes de produits. Là, les cas se multiplient par la démocratisation de la capture et l’exploitation des données, tous secteurs confondus.

(Source : indusmakers)
Quels sont selon vous les principaux freins rencontrés par les industriels pour exploiter ces modèles ?
Les freins sont de plusieurs nature. Au premier chef, le jumeau numérique induisant des changements de mode de travail, on peut citer les pénuries de personnel qualifiés : Data scientists expérimentés capable de trouver, comparer et mettre au point les algorithmes de traitement des données. Managers du digital en veille perpétuelle sur les technologies, qu’elles soient émergentes, efficaces, industrialisées. Concepteurs et architectes sensibilisés à saisir l’intérêt potentiel des jumeaux numériques et prévoir d’incorporer les fondamentaux dans les produits et l’exploitation. Dans les grands groupes, architectes et product owners des applicatifs afin d’interfacer des briques hétérogènes du système d’information, y compris d’anciennes applications existantes…Le second point tient à l’industrialisation des chaînes numériques des jumeaux. Il y a un taux de chute important entre des prototypes « Proofs of Concept » et des systèmes intégrés et en production. La notion de minimum viable product, issue du marketing, est censée assurer le passage à l’échelle d’un prototype, mais j’ai constaté souvent des applications partielles, limitées, ou encore des rythmes de déploiement lent. Parmi les explications : la résistance naturelle au changement (menaces perçues sur l’emploi, perte de maîtrise de son expertise…). Mais aussi, c’est là un point critique, la faiblesse des business cases. En effet, les décideurs vont s’intéresser aux questions classiques : Combien cela rapporte ? Quel gain de productivité ? Quel marché cela m’ouvre-t-il ? Quel service nouveau puis-je facturer à mes clients ? Quel est le seuil, la durée de retour sur investissement ? Alors même que, pour le cas des jumeaux numérique d’exploitation, de maintenance prédictive, il faut compter un délai d’ingénierie du produit, de mise en service, de collecte des données, d’exploitation et de comparaison aux historiques avant de pouvoir améliorer ladite exploitation ou maintenance. Cela se chiffre parfois en années. On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Quels sont selon vous les principaux freins rencontrés par les industriels pour exploiter ces modèles ?
Les freins sont de plusieurs nature. Au premier chef, le jumeau numérique induisant des changements de mode de travail, on peut citer les pénuries de personnel qualifiés : Data scientists expérimentés capable de trouver, comparer et mettre au point les algorithmes de traitement des données. Managers du digital en veille perpétuelle sur les technologies, qu’elles soient émergentes, efficaces, industrialisées. Concepteurs et architectes sensibilisés à saisir l’intérêt potentiel des jumeaux numériques et prévoir d’incorporer les fondamentaux dans les produits et l’exploitation. Dans les grands groupes, architectes et product owners des applicatifs afin d’interfacer des briques hétérogènes du système d’information, y compris d’anciennes applications existantes…Le second point tient à l’industrialisation des chaînes numériques des jumeaux. Il y a un taux de chute important entre des prototypes « Proofs of Concept » et des systèmes intégrés et en production. La notion de minimum viable product, issue du marketing, est censée assurer le passage à l’échelle d’un prototype, mais j’ai constaté souvent des applications partielles, limitées, ou encore des rythmes de déploiement lent. Parmi les explications : la résistance naturelle au changement (menaces perçues sur l’emploi, perte de maîtrise de son expertise…). Mais aussi, c’est là un point critique, la faiblesse des business cases. En effet, les décideurs vont s’intéresser aux questions classiques : Combien cela rapporte ? Quel gain de productivité ? Quel marché cela m’ouvre-t-il ? Quel service nouveau puis-je facturer à mes clients ? Quel est le seuil, la durée de retour sur investissement ? Alors même que, pour le cas des jumeaux numérique d’exploitation, de maintenance prédictive, il faut compter un délai d’ingénierie du produit, de mise en service, de collecte des données, d’exploitation et de comparaison aux historiques avant de pouvoir améliorer ladite exploitation ou maintenance. Cela se chiffre parfois en années. On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Quels sont selon vous les principaux freins rencontrés par les industriels pour exploiter ces modèles ?

Les freins sont de plusieurs nature. Au premier chef, le jumeau numérique induisant des changements de mode de travail, on peut citer les pénuries de personnel qualifiés : Data scientists expérimentés capable de trouver, comparer et mettre au point les algorithmes de traitement des données. Managers du digital en veille perpétuelle sur les technologies, qu’elles soient émergentes, efficaces, industrialisées. Concepteurs et architectes sensibilisés à saisir l’intérêt potentiel des jumeaux numériques et prévoir d’incorporer les fondamentaux dans les produits et l’exploitation. Dans les grands groupes, architectes et product owners des applicatifs afin d’interfacer des briques hétérogènes du système d’information, y compris d’anciennes applications existantes…Le second point tient à l’industrialisation des chaînes numériques des jumeaux. Il y a un taux de chute important entre des prototypes « Proofs of Concept » et des systèmes intégrés et en production. La notion de minimum viable product, issue du marketing, est censée assurer le passage à l’échelle d’un prototype, mais j’ai constaté souvent des applications partielles, limitées, ou encore des rythmes de déploiement lent. Parmi les explications : la résistance naturelle au changement (menaces perçues sur l’emploi, perte de maîtrise de son expertise…). Mais aussi, c’est là un point critique, la faiblesse des business cases. En effet, les décideurs vont s’intéresser aux questions classiques : Combien cela rapporte ? Quel gain de productivité ? Quel marché cela m’ouvre-t-il ? Quel service nouveau puis-je facturer à mes clients ? Quel est le seuil, la durée de retour sur investissement ? Alors même que, pour le cas des jumeaux numérique d’exploitation, de maintenance prédictive, il faut compter un délai d’ingénierie du produit, de mise en service, de collecte des données, d’exploitation et de comparaison aux historiques avant de pouvoir améliorer ladite exploitation ou maintenance. Cela se chiffre parfois en années. On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Le second point tient à l’industrialisation des chaînes numériques des jumeaux. Il y a un taux de chute important entre des prototypes « Proofs of Concept » et des systèmes intégrés et en production. La notion de minimum viable product, issue du marketing, est censée assurer le passage à l’échelle d’un prototype, mais j’ai constaté souvent des applications partielles, limitées, ou encore des rythmes de déploiement lent. Parmi les explications : la résistance naturelle au changement (menaces perçues sur l’emploi, perte de maîtrise de son expertise…). Mais aussi, c’est là un point critique, la faiblesse des business cases. En effet, les décideurs vont s’intéresser aux questions classiques : Combien cela rapporte ? Quel gain de productivité ? Quel marché cela m’ouvre-t-il ? Quel service nouveau puis-je facturer à mes clients ? Quel est le seuil, la durée de retour sur investissement ? Alors même que, pour le cas des jumeaux numérique d’exploitation, de maintenance prédictive, il faut compter un délai d’ingénierie du produit, de mise en service, de collecte des données, d’exploitation et de comparaison aux historiques avant de pouvoir améliorer ladite exploitation ou maintenance. Cela se chiffre parfois en années. On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Parmi les explications : la résistance naturelle au changement (menaces perçues sur l’emploi, perte de maîtrise de son expertise…). Mais aussi, c’est là un point critique, la faiblesse des business cases. En effet, les décideurs vont s’intéresser aux questions classiques : Combien cela rapporte ? Quel gain de productivité ? Quel marché cela m’ouvre-t-il ? Quel service nouveau puis-je facturer à mes clients ? Quel est le seuil, la durée de retour sur investissement ? Alors même que, pour le cas des jumeaux numérique d’exploitation, de maintenance prédictive, il faut compter un délai d’ingénierie du produit, de mise en service, de collecte des données, d’exploitation et de comparaison aux historiques avant de pouvoir améliorer ladite exploitation ou maintenance. Cela se chiffre parfois en années. On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Combien cela rapporte ? Quel gain de productivité ? Quel marché cela m’ouvre-t-il ? Quel service nouveau puis-je facturer à mes clients ? Quel est le seuil, la durée de retour sur investissement ? Alors même que, pour le cas des jumeaux numérique d’exploitation, de maintenance prédictive, il faut compter un délai d’ingénierie du produit, de mise en service, de collecte des données, d’exploitation et de comparaison aux historiques avant de pouvoir améliorer ladite exploitation ou maintenance. Cela se chiffre parfois en années. On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Alors même que, pour le cas des jumeaux numérique d’exploitation, de maintenance prédictive, il faut compter un délai d’ingénierie du produit, de mise en service, de collecte des données, d’exploitation et de comparaison aux historiques avant de pouvoir améliorer ladite exploitation ou maintenance. Cela se chiffre parfois en années. On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

On voit dès lors qu’il est essentiel de poser le sujet en termes business, en termes de problème à résoudre, de risque à maîtriser, de gains, de services « vendables », dès le début.Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Enfin, l’approche doit être suffisamment vaste pour envisager tous les partis qu’on peut tirer d’un jumeau. Si l’on prend l’exemple d’une gare numérique : il est intéressant de pouvoir en cas d’incident d’un escalator flécher en temps réel vers un autre chemin, inverser un autre escalator, etc. C’est un plus réel mais limité. Si l’on se sert aussi de ce modèle pour prévoir les travaux de maintenance, pour faire de la maintenance prédictive, si ce modèle existe dès sa conception, pour maîtriser la configuration de l’ouvrage, aider sa construction, partager les données entre corps de métier, ses tests, sa recette ; si le modèle permet d’offrir de nouveaux modes d’affichage, on atteint alors une masse critique de bénéfices justifiant l’effort de numérisation.

Quelles sont les perspectives pour les 10 années à venir ?
D’ici 2031, gageons que l’usine numérique sera connectée au PLM produit pour la grande majorité des OEM et grands sous-traitants de l’automobile, que le jumeau numérique des véhicules en contextes d’utilisation multiples fonctionnera comme brique nécessaire des tests de véhicule autonome. Gageons que les grandes installations du pétrochimique, du naval, mais aussi du nucléaire, de l’industrie agroalimentaire auront leur numérisation hybride, des capteurs et du reporting numérique intégrée.Parions aussi que la gestion de configuration, point faible et névralgique de beaucoup de secteurs, aura progressé et offrira une maîtrise précise du produit tel que conçu, tel que construit, tel que maintenu. Et qu’elle sera en vigueur dans les secteurs classiques mais aussi les secteurs émergents actuels : santé, BTP, luxe, agro-alimentaire.Les avancées technologiques portées par le cloud, le gaming et l’intelligence artificielle offrent dès maintenant des perspectives industrielle (et non plus expérimentales ou partielles) pour le bouclage retour d’expérience- conception par les données ; pilotage temps réel d’usines, de navires, d’aéronefs en conditions dégradées ; la maintenance prédictive, la réalité augmentée contextuelle, adaptative…Pour la ville numérique (voire la région, l'État) si l’architecture et les standards d’échange ouverts progressent, de vastes perspectives de connexion, d’enrichissement ouvert se présentent. Les applications seront multiples pour l’usager : domotique intelligente, concierge robotisé, optimisation de la circulation, de l’éclairage, de la consommation électrique et de l’effacement, information temps réel des citoyens, avec de nombreuses conditions à remplir pour que ces progrès soient accessibles à tous…Les surprises viendront aussi du monde de la simulation. Dans l’industrie avec la poussée de l’optimisation (boucles conception – simulation), de la fabricabilité, de la maintenance et, espérons-le, des avancées en conception sur l’optimisation de bout en bout des ressources naturelles.Le secteur si actuel de la santé verra la progression de modèles de plus en plus sophistiqués du corps humain, de l’action des molécules sur l’organisme, et les espoirs thérapeutiques liés.Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Quelles sont les perspectives pour les 10 années à venir ?

D’ici 2031, gageons que l’usine numérique sera connectée au PLM produit pour la grande majorité des OEM et grands sous-traitants de l’automobile, que le jumeau numérique des véhicules en contextes d’utilisation multiples fonctionnera comme brique nécessaire des tests de véhicule autonome. Gageons que les grandes installations du pétrochimique, du naval, mais aussi du nucléaire, de l’industrie agroalimentaire auront leur numérisation hybride, des capteurs et du reporting numérique intégrée.Parions aussi que la gestion de configuration, point faible et névralgique de beaucoup de secteurs, aura progressé et offrira une maîtrise précise du produit tel que conçu, tel que construit, tel que maintenu. Et qu’elle sera en vigueur dans les secteurs classiques mais aussi les secteurs émergents actuels : santé, BTP, luxe, agro-alimentaire.Les avancées technologiques portées par le cloud, le gaming et l’intelligence artificielle offrent dès maintenant des perspectives industrielle (et non plus expérimentales ou partielles) pour le bouclage retour d’expérience- conception par les données ; pilotage temps réel d’usines, de navires, d’aéronefs en conditions dégradées ; la maintenance prédictive, la réalité augmentée contextuelle, adaptative…Pour la ville numérique (voire la région, l'État) si l’architecture et les standards d’échange ouverts progressent, de vastes perspectives de connexion, d’enrichissement ouvert se présentent. Les applications seront multiples pour l’usager : domotique intelligente, concierge robotisé, optimisation de la circulation, de l’éclairage, de la consommation électrique et de l’effacement, information temps réel des citoyens, avec de nombreuses conditions à remplir pour que ces progrès soient accessibles à tous…Les surprises viendront aussi du monde de la simulation. Dans l’industrie avec la poussée de l’optimisation (boucles conception – simulation), de la fabricabilité, de la maintenance et, espérons-le, des avancées en conception sur l’optimisation de bout en bout des ressources naturelles.Le secteur si actuel de la santé verra la progression de modèles de plus en plus sophistiqués du corps humain, de l’action des molécules sur l’organisme, et les espoirs thérapeutiques liés.Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Parions aussi que la gestion de configuration, point faible et névralgique de beaucoup de secteurs, aura progressé et offrira une maîtrise précise du produit tel que conçu, tel que construit, tel que maintenu. Et qu’elle sera en vigueur dans les secteurs classiques mais aussi les secteurs émergents actuels : santé, BTP, luxe, agro-alimentaire.Les avancées technologiques portées par le cloud, le gaming et l’intelligence artificielle offrent dès maintenant des perspectives industrielle (et non plus expérimentales ou partielles) pour le bouclage retour d’expérience- conception par les données ; pilotage temps réel d’usines, de navires, d’aéronefs en conditions dégradées ; la maintenance prédictive, la réalité augmentée contextuelle, adaptative…Pour la ville numérique (voire la région, l'État) si l’architecture et les standards d’échange ouverts progressent, de vastes perspectives de connexion, d’enrichissement ouvert se présentent. Les applications seront multiples pour l’usager : domotique intelligente, concierge robotisé, optimisation de la circulation, de l’éclairage, de la consommation électrique et de l’effacement, information temps réel des citoyens, avec de nombreuses conditions à remplir pour que ces progrès soient accessibles à tous…Les surprises viendront aussi du monde de la simulation. Dans l’industrie avec la poussée de l’optimisation (boucles conception – simulation), de la fabricabilité, de la maintenance et, espérons-le, des avancées en conception sur l’optimisation de bout en bout des ressources naturelles.Le secteur si actuel de la santé verra la progression de modèles de plus en plus sophistiqués du corps humain, de l’action des molécules sur l’organisme, et les espoirs thérapeutiques liés.Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Les avancées technologiques portées par le cloud, le gaming et l’intelligence artificielle offrent dès maintenant des perspectives industrielle (et non plus expérimentales ou partielles) pour le bouclage retour d’expérience- conception par les données ; pilotage temps réel d’usines, de navires, d’aéronefs en conditions dégradées ; la maintenance prédictive, la réalité augmentée contextuelle, adaptative…Pour la ville numérique (voire la région, l'État) si l’architecture et les standards d’échange ouverts progressent, de vastes perspectives de connexion, d’enrichissement ouvert se présentent. Les applications seront multiples pour l’usager : domotique intelligente, concierge robotisé, optimisation de la circulation, de l’éclairage, de la consommation électrique et de l’effacement, information temps réel des citoyens, avec de nombreuses conditions à remplir pour que ces progrès soient accessibles à tous…Les surprises viendront aussi du monde de la simulation. Dans l’industrie avec la poussée de l’optimisation (boucles conception – simulation), de la fabricabilité, de la maintenance et, espérons-le, des avancées en conception sur l’optimisation de bout en bout des ressources naturelles.Le secteur si actuel de la santé verra la progression de modèles de plus en plus sophistiqués du corps humain, de l’action des molécules sur l’organisme, et les espoirs thérapeutiques liés.Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Pour la ville numérique (voire la région, l'État) si l’architecture et les standards d’échange ouverts progressent, de vastes perspectives de connexion, d’enrichissement ouvert se présentent. Les applications seront multiples pour l’usager : domotique intelligente, concierge robotisé, optimisation de la circulation, de l’éclairage, de la consommation électrique et de l’effacement, information temps réel des citoyens, avec de nombreuses conditions à remplir pour que ces progrès soient accessibles à tous…Les surprises viendront aussi du monde de la simulation. Dans l’industrie avec la poussée de l’optimisation (boucles conception – simulation), de la fabricabilité, de la maintenance et, espérons-le, des avancées en conception sur l’optimisation de bout en bout des ressources naturelles.Le secteur si actuel de la santé verra la progression de modèles de plus en plus sophistiqués du corps humain, de l’action des molécules sur l’organisme, et les espoirs thérapeutiques liés.Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Les surprises viendront aussi du monde de la simulation. Dans l’industrie avec la poussée de l’optimisation (boucles conception – simulation), de la fabricabilité, de la maintenance et, espérons-le, des avancées en conception sur l’optimisation de bout en bout des ressources naturelles.Le secteur si actuel de la santé verra la progression de modèles de plus en plus sophistiqués du corps humain, de l’action des molécules sur l’organisme, et les espoirs thérapeutiques liés.Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Le secteur si actuel de la santé verra la progression de modèles de plus en plus sophistiqués du corps humain, de l’action des molécules sur l’organisme, et les espoirs thérapeutiques liés.Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Le jumeau numérique, rapprochant le produit in vivo et in silico, est porteur d’une toujours plus fine adéquation au réel, donc de jumeau toujours plus vrai au sens d’Aristote, Saint Thomas d’Aquin, Kant et d’autres, et cette fidélité promet une postérité industrielle foisonnante.

Découvrez nos formations pour déployer les nouveaux modes de pensée de l'industrie du futur auprès de vos équipes.