Un capteur de niveau sur une cuve ou un silo répond bien à une question : combien reste-t-il. Vous ouvrez le tableau de bord, vous voyez 40 pour cent, et vous passez à autre chose. Pendant un temps, cela suffit, parce que quelqu’un pense à vérifier et quelqu’un pense à recommander.
Le problème apparaît à grande échelle. Quand vous surveillez une seule cuve, un humain peut juger la tendance à l’œil. Quand vous en surveillez des centaines réparties sur plusieurs sites, personne ne le peut, et la donnée qui compte n’est pas le niveau, c’est la date. Quarante pour cent, c’est confortable si la cuve se vide lentement et qu’un rechargement prend une journée. Quarante pour cent, c’est une crise si elle se vide vite et que le fournisseur a besoin d’une semaine. Le chiffre affiché sur le tableau de bord ne vous dit pas laquelle des deux situations vous vivez, et une rupture de stock, ou une livraison d’urgence au tarif fort, voilà ce qui arrive quand vous vous trompez dans votre estimation. La prévision transforme le niveau en date d’épuisement.
Le signal est facile, et c’est la bonne nouvelle
L’épuisement est l’un des signaux IoT les plus prévisibles, parce que la plupart des cuves et silos se vident selon un schéma régulier. Une cuve de carburant alimentant un procédé constant, un réservoir d’eau soumis à un tirage quotidien, une trémie d’aliments rythmée par les habitudes d’un troupeau : la consommation a tendance à se répéter, si bien qu’un modèle dispose d’une structure claire à apprendre.
Pour une vidange régulière, même un taux d’épuisement en moyenne mobile projeté dans le temps donne une date d’épuisement exploitable. Là où la consommation suit un cycle, une utilisation plus forte en semaine, une demande saisonnière, un modèle saisonnier la capture. Vous avez rarement besoin de machine learning lourd pour prédire un niveau, ce qui fait de cette prévision l’une des plus rapides à mettre en production.
Ce qu’il faut prédire : la date, pas le niveau
La sortie utile n’est pas “niveau prédit mardi prochain”. C’est “nombre de jours avant que cette cuve n’atteigne le seuil de réapprovisionnement”. Ce cadrage compte parce qu’il correspond directement à la décision. Fixez le seuil de réapprovisionnement au niveau qui laisse assez de marge pour votre délai réel, puis prévoyez quand la cuve l’atteindra.
Réglez bien le délai et le seuil de réapprovisionnement se fixe presque de lui-même. Si un rechargement prend trois jours de porte à porte, le seuil de réapprovisionnement correspond au niveau situé trois jours de consommation habituelle au-dessus du vide, plus une marge de sécurité pour une mauvaise semaine. La prévision vous indique alors la date à laquelle vous le franchissez, c’est-à-dire la date à laquelle vous passez la commande.
Les facteurs qui modifient le taux de vidange
Une prévision purement “le taux actuel se maintient” convient jusqu’à ce que le taux change, et pour les cuves et silos le taux change généralement pour des raisons connaissables. Le planning de production détermine la consommation industrielle. La météo détermine le fioul de chauffage et l’eau d’irrigation. La taille du troupeau et le calendrier d’alimentation déterminent un silo agricole. Une prévision qui ignore ces facteurs sera assurée et fausse au moment même où la demande évolue.
Là où un facteur est disponible sous forme de données, injectez-le dans le modèle. Une Analysis TagoIO peut récupérer une prévision météo pour une cuve de fioul de chauffage, ou lire un planning de production, et ajuster en conséquence le taux de vidange prédit. Quand les facteurs ne sont pas disponibles, appuyez-vous sur le schéma saisonnier et élargissez la marge de sécurité pour couvrir l’incertitude.
De la prévision au rechargement
L’intérêt de la date d’épuisement est de déclencher une action sans qu’un humain surveille chaque cuve. La boucle : une Analysis planifiée lit l’historique récent des niveaux de chaque cuve, estime le taux de vidange, projette les dates d’épuisement et de seuil de réapprovisionnement, et les réécrit sous forme de variables par appareil, sélectionnées par tags pour que le même script traite l’ensemble du parc. Une alerte se déclenche lorsque la date de réapprovisionnement prévue d’une cuve tombe dans la fenêtre de commande, acheminée vers la personne qui passe la commande, par e-mail, SMS ou webhook vers un système d’approvisionnement.
Cela fait passer le réapprovisionnement de “quelqu’un a pensé à vérifier” à “le système signale la cuve à commander, avec assez de préavis pour commander normalement plutôt que dans la panique”. À l’échelle d’un parc, c’est la différence entre une logistique de routine et des urgences à répétition.
Commencez par votre pire rupture de stock
Choisissez la cuve ou le produit dont la pénurie fait le plus mal, ou pour lequel vous avez déjà payé une livraison d’urgence. Construisez pour lui la prévision de taux de vidange, fixez le seuil de réapprovisionnement à partir de votre délai réel, et reliez l’alerte à la personne qui commande. Faites-en la preuve sur une cuve, puis déployez le même script basé sur les tags à l’ensemble du parc.
Une installation de surveillance de silo qui prédit l’épuisement au lieu de simplement le rapporter est un premier gain prédictif fréquent, parce que le signal est facile et le bénéfice concret. Voyez comment TagoIO Analytics exécute la prévision d’épuisement et pilote l’alerte de rechargement.
Si vous préférez ne pas coder vous-même le modèle de taux de vidange, TagoIO Analytics prévoit l’épuisement à votre place. Connectez-vous sur sight.tago.io/login avec votre compte TagoIO et entraînez un modèle sur vos données de niveau en quelques minutes, avec prévisions et détection d’anomalies, sans aucun data scientist requis.
