Parler d'IA industrie chimique depuis Lyon n'a rien d'un exercice théorique. Le couloir qui descend de Feyzin vers Roussillon concentre des sites de production chimique, des activités énergétiques et un tissu d'ingénierie qui les accompagne depuis des décennies. Ces installations partagent trois caractéristiques qui changent radicalement ce que l'intelligence artificielle peut y faire.
Premièrement, les procédés sont continus : une colonne de distillation ne s'arrête pas le vendredi soir. Deuxièmement, l'instrumentation est dense, souvent des milliers de points de mesure enregistrés depuis quinze ou vingt ans. Troisièmement, la sûreté prime sur tout le reste, et les systèmes qui la garantissent sont certifiés, figés, hors de portée de toute expérimentation.
Cette combinaison explique un paradoxe apparent : ces sites disposent de plus de données exploitables que la plupart des entreprises de services, et pourtant l'IA n'y touche presque jamais la conduite du procédé. Cet article explique où passe la frontière, quels usages tiennent réellement en production, et pourquoi certaines promesses ne franchiront jamais la porte d'une salle de contrôle.
Pourquoi les procédés continus sont un terrain favorable
Un atelier de production chimique produit un flux de données que beaucoup d'entreprises envieraient : températures, pressions, débits, compositions, échantillonnés à la seconde ou à la minute, archivés dans un historien de procédé. Sur un site de taille moyenne, on parle couramment de 5 000 à 30 000 points de mesure, avec dix ans de profondeur.
Cette matière a trois qualités rares :
- Elle est physique. Un capteur mesure une grandeur réelle, pas une saisie humaine. Le bruit existe, mais il n'y a ni faute de frappe ni champ laissé vide par lassitude.
- Elle est horodatée et régulière. Les modèles de série temporelle travaillent dans des conditions idéales, ce qui n'est jamais le cas dans les données de gestion.
- Elle est corrélée à des lois connues. On sait ce qui doit se passer thermodynamiquement. Un écart entre le modèle physique et la mesure est un signal en soi.
Le revers existe aussi. Les données d'incident sont rares, par construction : une usine bien tenue casse peu. Un modèle qui doit apprendre à reconnaître une dérive dispose donc de très peu d'exemples positifs, ce qui oriente vers des approches de détection d'anomalie plutôt que de classification.
IA et industrie chimique : les usages qui tiennent en production
Quatre familles d'usages ont fait leurs preuves sur ce type d'installations, avec des niveaux de maturité très différents.
La maintenance prédictive sur les machines tournantes
Pompes, compresseurs, ventilateurs : ce sont les équipements les mieux instrumentés en vibration et en température, et les plus coûteux à l'arrêt. Un modèle de détection d'anomalie sur signature vibratoire signale une dérive plusieurs jours ou plusieurs semaines avant la panne. Le gain ne se mesure pas en coût de pièce mais en arrêt évité : sur un procédé continu, une journée d'immobilisation non planifiée se chiffre couramment en dizaines de milliers d'euros.
Les capteurs logiciels
Certaines grandeurs ne se mesurent qu'en laboratoire, avec deux à six heures de délai entre le prélèvement et le résultat. Un modèle entraîné sur l'historique estime cette grandeur en continu, à partir des mesures disponibles immédiatement. L'opérateur ne pilote plus à l'aveugle entre deux analyses. C'est l'usage le plus rentable et le plus discret : il n'agit sur rien, il informe.
L'optimisation énergétique
Sur des utilités partagées (vapeur, air comprimé, froid), un modèle qui apprend la relation entre les consignes et la consommation permet de repérer des régimes de fonctionnement plus efficaces. Les gains annoncés dans la littérature industrielle vont de 2 à 8 % sur le poste concerné. Ce n'est pas spectaculaire ramené à une ligne, mais l'optimisation énergétique par IA porte sur des factures à sept chiffres, et l'investissement se rembourse en une à deux années.
L'exploitation documentaire
Un site chimique produit une quantité considérable d'écrit : procédures, analyses de risques, fiches de sécurité, comptes rendus de quart, rapports d'incident. Un assistant de recherche sur ce corpus fait gagner un temps réel aux ingénieurs procédé et aux équipes HSE, sans toucher à quoi que ce soit de critique. C'est le point d'entrée le plus fréquent, et le moins risqué. Les principes en sont les mêmes que ceux décrits dans notre article sur la recherche augmentée sur des documents d'entreprise.
Ce que la sûreté interdit, et pourquoi c'est justifié
Sur une installation classée, la chaîne de sécurité est indépendante de la conduite. Les systèmes instrumentés de sécurité obéissent à des normes de fiabilité fonctionnelle qui imposent un comportement déterministe, démontrable et figé : la même entrée donne toujours la même sortie, et cette propriété se prouve lors de la certification.
Un modèle statistique ne peut pas satisfaire cette exigence. La conséquence est nette et ne se discute pas : l'IA n'entre pas dans la boucle de sécurité. Elle peut informer un opérateur, proposer une consigne, alerter en amont, jamais déclencher ou empêcher une mise en sécurité.
La même logique s'applique par degrés à la conduite. Les modes d'exploitation habituels distinguent :
- Le conseil. Le modèle affiche une recommandation, l'opérateur décide. C'est le régime de très loin le plus répandu.
- La boucle fermée supervisée. Le modèle ajuste une consigne dans une plage bornée, avec reprise en main immédiate. Réservé à des variables non critiques et à des sites très matures.
- L'autonomie. Elle n'existe pas sur ces procédés, et rien n'indique qu'elle soit souhaitable.
Cette prudence n'est pas du conservatisme. Elle découle du fait qu'un écart de conduite peut avoir des conséquences irréversibles pour les personnes et pour l'environnement, ce que la réglementation des sites à risques encadre strictement. Un modèle qui se trompe une fois sur mille est excellent pour une prévision de demande, inacceptable pour un asservissement de pression.
Environnement : mesurer avant d'optimiser
Le volet environnemental est celui où la demande progresse le plus vite, sous l'effet des obligations de reporting et de la surveillance des rejets. Trois usages se dégagent, tous du côté de la mesure plutôt que de l'action.
| Usage | Ce que l'IA apporte | Limite principale |
|---|---|---|
| Surveillance des rejets aqueux et atmosphériques | Détection de dérive avant dépassement de seuil | Ne remplace pas la mesure réglementaire, qui reste normée |
| Détection de fuites diffuses | Recoupement de capteurs et de conditions météo pour localiser une source | Taux de fausses alertes élevé si le modèle n'est pas recalé sur le site |
| Bilan carbone des procédés | Reconstitution de consommations non mesurées à partir de proxies | Traçabilité exigée par l'audit : il faut documenter la méthode d'estimation |
Ce dernier point mérite attention. Une valeur estimée par un modèle n'a pas le même statut qu'une valeur mesurée. Si elle entre dans un rapport soumis à vérification, la méthode d'estimation doit être documentée, versionnée et reproductible, sous peine de voir le chiffre écarté.
Ce qui distingue ces filières du reste de l'industrie régionale
Comparées à la mécanique ou à la plasturgie, très présentes dans la région, les activités de procédé continu se différencient sur quatre points qui orientent tous les projets :
- La donnée existe déjà, alors qu'ailleurs il faut d'abord instrumenter. Le projet démarre plus vite.
- Le cycle de validation est long : une modification touchant à la conduite passe par une analyse de risques formelle, ce qui ajoute des mois.
- Les compétences sont internes. Les ingénieurs procédé maîtrisent la statistique appliquée. Le besoin porte moins sur la modélisation que sur l'industrialisation et la maintenance des modèles.
- L'informatique industrielle est cloisonnée du réseau de gestion, et cette séparation ne se négocie pas. Toute architecture doit prévoir un flux à sens unique depuis l'atelier.
Ces caractéristiques rapprochent ces filières de la logistique du couloir rhodanien sur un point, la volumétrie des données terrain, et les en éloignent radicalement sur un autre, l'acceptation du risque. Nos panoramas de l'IA dans l'industrie en Auvergne Rhône Alpes et de l'IA dans la logistique rhodanienne détaillent ces autres terrains.
Par où commencer sur un site de procédé
Le chemin qui échoue le moins souvent tient en quatre étapes, sur douze à dix huit mois.
- Un usage documentaire d'abord. Il ne touche à rien, il forme les équipes, il crée une habitude de travail avec ces outils.
- Un capteur logiciel ensuite, sur une grandeur analysée en laboratoire. Le bénéfice est immédiat et la validation simple : on compare l'estimation à l'analyse réelle pendant trois mois.
- La détection d'anomalie sur une machine tournante, en mode alerte uniquement, avec un suivi rigoureux des fausses alertes. Au delà d'une alerte non justifiée par semaine, les équipes cessent de les lire.
- L'optimisation énergétique en dernier, parce qu'elle touche à la conduite et exige donc le passage par l'analyse de risques.
Sur la question de l'hébergement, la contrainte de cloisonnement industriel pousse souvent vers des traitements réalisés au plus près du site ou dans une infrastructure maîtrisée, sujet que nous avons traité dans notre article sur l'hébergement d'une IA en France.
L'IA dans l'industrie chimique ne remplacera pas la conduite de procédé, et ce n'est pas ce qu'on lui demande. Elle rend visible ce qui ne l'était pas : une dérive lente, une grandeur non mesurée, un régime de fonctionnement plus sobre. Sur des installations qui tournent en continu, rendre visible quelques heures plus tôt suffit largement à payer le projet.
Laisser un commentaire