Comment des modèles logiciels renforcent la transparence : les capteurs virtuels au service des jumeaux numériques

Les jumeaux numériques sont aujourd’hui considérés comme une technologie clé pour la production et les services numériques. Leur fonctionnement repose toutefois sur une instrumentation étendue et sur l’acquisition continue de données. Afin de préserver leur viabilité économique et leur maintenabilité, les systèmes de mesure physiques sont de plus en plus complétés, voire partiellement remplacés, par des capteurs virtuels. Cette évolution soulève des questions fondamentales concernant la fiabilité, l’intégration et l’évaluation systématique de ces modèles logiciels.

Qu’est-ce qu’un jumeau numérique ?

Un jumeau numérique est la représentation numérique d’un système physique. Il peut s’agir de composants, d’installations ou encore de processus complets issus du monde réel. L’objectif d’un jumeau numérique est de reproduire le plus fidèlement possible son équivalent physique afin de simuler son comportement et de fournir des informations sur l’état dans lequel se trouve le système.

Contrairement aux simulations informatiques classiques, le jumeau numérique reste en interaction continue avec le monde physique et adapte ainsi en permanence son modèle de l’objet ou du processus. Il constitue de ce fait une base décisionnelle pilotée par les données. Celle-ci permet notamment d’anticiper plus efficacement les tâches de routine, telles que les opérations de maintenance. Elle autorise également la simulation, le test et la mise en œuvre d’améliorations d’efficacité, d’optimisations énergétiques des procédés ou encore d’ajustements des systèmes de régulation [1].

La structure fondamentale d’un jumeau numérique est illustrée à la figure 1. Les composants physiques transmettent continuellement des données issues des capteurs vers le modèle numérique. Celui-ci exploite ces informations afin de simuler l’état actuel du système et d’en déduire des optimisations ou des prévisions.

Avec la numérisation croissante des processus industriels et des activités quotidiennes, l’importance de ces représentations numériques ne cesse d’augmenter. Elles apportent davantage de transparence aux systèmes complexes et permettent un pilotage plus précis de systèmes tels que les infrastructures de production ou les réseaux énergétiques.

Figure 1 — Structure et application d’un jumeau numérique

Pourquoi les capteurs sont-ils si essentiels ?

Pour qu’un jumeau numérique fonctionne de manière fiable, il doit disposer en permanence de données actuelles et de haute qualité. Les capteurs constituent ici l’interface entre les grandeurs physiques ou chimiques du système et le modèle numérique, en rendant ces variables d’état électroniquement mesurables. À mesure que la complexité des systèmes augmente, le besoin en points de mesure croît également. Les installations modernes de production, de logistique, de traitement des déchets ou encore les infrastructures énergétiques sont équipées d’une instrumentation étendue permettant de surveiller en continu les états de fonctionnement, les conditions environnementales et les paramètres de performance.

Cette évolution s’accompagne toutefois de plusieurs défis. Les capteurs physiques génèrent des coûts d’acquisition et d’installation, nécessitent des opérations de maintenance et des étalonnages réguliers, et demeurent exposés à des risques de défaillance. Par ailleurs, de nombreuses variables d’état pertinentes ne peuvent pas être mesurées directement. Des phénomènes tels que la fatigue des matériaux, la durée de vie résiduelle des composants ou les états thermiques internes ne peuvent souvent être déduits qu’indirectement à partir d’autres grandeurs mesurées.

Il en résulte une tension entre le niveau d’observabilité nécessaire d’un système et les coûts économiques liés à l’ajout de capteurs supplémentaires. La question se pose donc de savoir comment obtenir ces informations sans que les coûts d’installation et de maintenance n’augmentent de manière disproportionnée.

La réponse du génie logiciel

Dans ce contexte, les capteurs virtuels gagnent en importance. Un capteur virtuel, également appelé soft sensor, est un modèle logiciel capable de calculer des variables d’état supplémentaires à partir de données issues de capteurs existants. Il combine des mesures réelles avec des modèles algorithmiques fondés sur des lois physiques fondamentales, des méthodes statistiques ou encore des techniques d’apprentissage automatique [2], [3].

Plutôt que d’installer un capteur supplémentaire pour déterminer l’état d’usure d’un pneumatique automobile, un capteur virtuel peut par exemple estimer cet état à partir de variables déjà disponibles telles que la vitesse du véhicule, la durée d’utilisation ou la pression des pneus, en s’appuyant sur un modèle physique. Cette approche permet d’augmenter la quantité d’informations disponibles au sein du système sans nécessiter de nouveau matériel.

La figure 2 illustre ce principe. Alors que les capteurs physiques fournissent des grandeurs directement mesurables, les capteurs virtuels permettent de calculer des variables d’état supplémentaires à partir de ces mesures. La base d’information du système est ainsi enrichie sans ajout d’infrastructure matérielle.

Figure 2 — Extension des grandeurs physiques mesurées par des capteurs virtuels

Dans les installations industrielles et les systèmes énergétiques en particulier, cette approche peut offrir des avantages considérables. Dans une grande centrale photovoltaïque, il serait techniquement et économiquement difficile d’équiper chaque module solaire d’une instrumentation supplémentaire. Les capteurs virtuels permettent néanmoins d’évaluer plus précisément l’état des différents composants. En combinant des données d’irradiation solaire, de température ambiante et de puissance électrique, il devient possible de calculer la production énergétique théorique attendue dans des conditions idéales. Toute divergence entre cette valeur et la puissance effectivement produite peut indiquer un encrassement ou une défaillance. Les exploitants disposent ainsi d’indications précoces sur d’éventuels problèmes et peuvent planifier les opérations de maintenance de manière plus ciblée.

Le tableau 1 présente les principales différences entre capteurs physiques et capteurs virtuels. Un exemple concret d’application sera ensuite présenté.

Tableau 1 — Comparaison entre capteurs physiques et capteurs virtuels

Exemple issu de l’industrie énergétique

Un domaine d’application concret des capteurs virtuels concerne la surveillance des centrales photovoltaïques. Dans leur étude [4], Redondo et al. décrivent l’utilisation d’un capteur virtuel destiné à déterminer le niveau d’encrassement des modules photovoltaïques et à en déduire les moments optimaux de nettoyage.

L’encrassement des panneaux solaires par la poussière, le sable ou d’autres particules est désigné sous le terme de soiling. Ces dépôts réduisent le rayonnement atteignant les cellules photovoltaïques et diminuent ainsi la puissance électrique produite. Les études montrent que les pertes d’énergie associées atteignent en moyenne 3 à 4 %.

Les auteurs estiment que le nettoyage d’une installation de référence de 100 MW coûte entre 45 000 et 90 000 euros et nécessite entre 250 et 600 m³ d’eau ainsi que 1 500 à 2 000 litres de diesel. Ces chiffres montrent clairement qu’il est essentiel de mesurer le plus précisément possible le degré d’encrassement des modules afin de maintenir l’efficacité de l’installation tout en évitant des nettoyages inutiles et coûteux.

Dans les grands parcs photovoltaïques, des capteurs physiques d’encrassement sont parfois utilisés. La figure 3 présente un exemple typique de ce type de capteur. Ceux-ci sont généralement constitués de deux modules de référence, dont l’un est nettoyé régulièrement. La comparaison des performances des deux modules permet de calculer le Soiling Ratio, c’est-à-dire le rapport entre la puissance actuelle d’un module encrassé et la puissance attendue d’un module propre.

Figure 3 — Capteur d’encrassement pour installations photovoltaïques (source : https://www.sevensensor.com/automatic-soiling-sensor)

Ces capteurs restent toutefois coûteux, nécessitent une maintenance régulière et ne fournissent que des mesures ponctuelles au sein d’installations de grande taille. De plus, les modules de référence doivent être nettoyés manuellement, ce qui engendre des opérations de maintenance supplémentaires. Afin de contourner ces limitations, les auteurs ont développé un capteur virtuel modélisant le niveau d’encrassement des modules à partir de données environnementales et opérationnelles. Le modèle sous-jacent décrit l’évolution temporelle de l’encrassement comme une fonction exponentielle du temps écoulé depuis le dernier nettoyage :

où  représente la perte de puissance relative due à l’encrassement,  le temps écoulé depuis le dernier nettoyage et une constante caractérisant le taux moyen de dépôt de poussière propre au site considéré.

Le capteur virtuel exploite plusieurs variables d’entrée, notamment :

• le temps écoulé depuis le dernier nettoyage de l’installation ;
• les données de précipitations afin de modéliser les effets naturels de nettoyage ;
• les concentrations de poussières dans l’air ;
• les conditions météorologiques locales.

À partir de ces données, le capteur peut estimer en continu le niveau d’encrassement et prévoir son évolution future.

La figure 4 compare les mesures obtenues à partir d’un capteur physique d’encrassement (courbe bleue) avec celles du capteur virtuel développé (courbe magenta). Les deux courbes présentent une évolution très similaire, notamment lors des épisodes de forte concentration de poussière. Ce résultat montre que le capteur virtuel est capable de reproduire avec une grande précision le niveau d’encrassement.

Figure 4 — Encrassement d’une installation photovoltaïque mesuré par un capteur physique (bleu) et par le capteur virtuel (magenta)

Le modèle a été validé à partir de données d’exploitation provenant de cinq parcs photovoltaïques situés en Espagne, représentant une puissance cumulée d’environ 200 MW. L’écart moyen observé entre le capteur virtuel et les capteurs physiques n’était que de 0,71 %. Fait remarquable, cette erreur était inférieure à la divergence observée entre deux capteurs physiques au sein d’une même installation.

Ces résultats montrent que les capteurs virtuels sont capables de compléter, voire de remplacer partiellement, des systèmes de mesure physiques tout en offrant des capacités de prévision supplémentaires.

Défis à venir : confiance et qualité

Cet exemple illustre le fait que les capteurs virtuels peuvent déjà aujourd’hui fournir des estimations précises. Il met également en évidence un défi central : la qualité d’un capteur virtuel dépend directement de la qualité du modèle sous-jacent, alors que les capteurs physiques disposent de spécifications techniques clairement définies.

Dans les applications industrielles, un problème majeur réside notamment dans la dérive des capteurs (sensor drift). Avec le temps, les capteurs physiques peuvent perdre progressivement leur calibration sous l’effet du vieillissement, de l’encrassement ou des contraintes thermiques. Il en résulte des erreurs de mesure souvent difficiles à détecter.

Dans ce contexte, les capteurs virtuels peuvent servir de référence. Dans les turbines à gaz ou les installations chimiques, par exemple, les températures sont fréquemment estimées en parallèle par des modèles virtuels. Ceux-ci utilisent d’autres variables de procédé — telles que la pression, le débit ou la vitesse de rotation — afin de calculer la température attendue. Si le capteur physique s’écarte durablement de cette valeur de référence, cela peut indiquer une dérive ou un dysfonctionnement du capteur.

Pour les applications industrielles, la question se pose donc de savoir comment évaluer systématiquement la qualité de ces modèles. Les critères couramment utilisés incluent notamment l’erreur moyenne par rapport aux mesures de référence (par exemple le Mean Absolute Error), la robustesse face au bruit de mesure ou encore la stabilité du modèle dans des conditions d’exploitation variables. Les phénomènes de dérive des modèles sur le long terme jouent également un rôle important, les installations réelles évoluant au fil du temps.

L’un des objectifs pratiques de nos recherches actuelles consiste à développer des méthodes de validation continue et de recalibration des capteurs virtuels. Cela comprend des approches de surveillance des erreurs de modèle, des modèles adaptatifs ainsi que des approches hybrides combinant modèles physiques et méthodes fondées sur les données.

Ce n’est qu’à condition que les capteurs virtuels soient transparents, explicables et fiables qu’ils pourront être utilisés comme sources d’information dignes de confiance dans les applications industrielles. Associés aux capteurs physiques, ils permettent une observation plus complète des systèmes complexes et améliorent ainsi les bases nécessaires à l’analyse, à l’optimisation et à la maintenance prédictive.

Références

[1]        P. D. S. Grösser, «Definition: Digitaler Zwilling», https://wirtschaftslexikon.gabler.de/definition/digitaler-zwilling-54371. Zugegriffen: 13. März 2026. [Online]. Verfügbar unter: https://wirtschaftslexikon.gabler.de/definition/digitaler-zwilling-54371

[2]        P. Kadlec, B. Gabrys, und S. Strandt, «Data-driven Soft Sensors in the process industry», Comput. Chem. Eng., Bd. 33, Nr. 4, S. 795–814, Apr. 2009, doi: 10.1016/j.compchemeng.2008.12.012.

[3]        Y. Jiang, S. Yin, J. Dong, und O. Kaynak, «A Review on Soft Sensors for Monitoring, Control, and Optimization of Industrial Processes», IEEE Sens. J., Bd. 21, Nr. 11, S. 12868–12881, Juni 2021, doi: 10.1109/JSEN.2020.3033153.

[4]        M. Redondo, C. A. Platero, A. Moset, F. Rodríguez, und V. Donate, «Soiling Modelling in Large Grid-Connected PV Plants for Cleaning Optimization», Energies, Bd. 16, Nr. 2, S. 904, Jan.