À mesure que le nombre d’appareils connectés, c’est-à-dire les appareils pouvant se connecter à un autre système via Internet, a explosé récemment, cela a ouvert de nouvelles possibilités quant à notre façon de vivre et de travailler. En effet, cela nous a également offert des outils technologiques permettant de limiter la dégradation de notre environnement et de notre planète, préservant ainsi notre nature et nos ressources naturelles pour les générations futures. Ces appareils interconnectés ont donné naissance à la « numérisation », un processus par lequel les technologies numériques sont utilisées pour améliorer les processus, produits et services de l’entreprise. Dans l’industrie de l’immobilier commercial, cela s’est traduit par des bâtiments « intelligents », écoénergétiques, centrés sur les personnes et extrêmement efficaces. Et cela s’accomplit grâce à une solution axée sur la technologie qui surveille et gère différents équipements et appareils au sein d’un bâtiment commercial, tels que l’éclairage, l’électricité, l’eau, les moteurs, etc., à l’aide d’une combinaison de capteurs et d’autres logiciels.
Jusqu’ici, tout va bien.
Mais comment mettre en œuvre une telle numérisation? Nous discuterons ici du plan type d’une solution de numérisation, en prenant les bâtiments commerciaux comme exemple. Toutefois, l’intérêt est que cette solution est assez générique pour être appliquée dans diverses industries, si vous suivez le gabarit de base. L’architecture de toute solution de numérisation se compose de quatre éléments : la modélisation numérique des actifs physiques (ou des processus), la collecte de données, le traitement et le stockage des données et enfin, la génération d’informations exploitables.
Prenons l’exemple d’un bâtiment commercial. Ce que nous voulons accomplir grâce à la numérisation d’un bâtiment commercial, c’est :
- Accroître le confort des locataires et des résidents grâce à un éclairage intelligent, au contrôle automatique de la température et de la circulation de l’air.
- Améliorer le fonctionnement du bâtiment au moyen de la maintenance prédictive, réduisant ainsi la possibilité de défaillance des actifs (vannes, moteurs, éclairage, etc.).
La figure 1 ci-dessous illustre à quoi pourrait ressembler l’architecture de la solution, fonctionnant sur l’infrastructure AWS et mettant à profit divers services AWS.
Figure 1 – Architecture de référence utilisant AWS
La première étape de la solution consiste à modéliser les actifs physiques et/ou les processus d’affaires. Ceci se fait dans AWS IoT SiteWise, où vous construisez des modèles d’« objets » physiques. Lors de la création de ces modèles numériques, vous devez intégrer des concepts tels que la composition et l’héritage, appelés hiérarchie dans AWS IoT SiteWise. Par exemple, dans le cas de notre bâtiment commercial, un bâtiment physique comprend plusieurs étages. Chaque étage possède un certain nombre de pièces et il existe différents équipements comme des lumières, des pompes et des compteurs électriques à l’intérieur de diverses pièces. Vous commencez donc par modéliser des actifs physiques qui existent soit de façon indépendante, soit en tant qu’élément d’un autre actif. Ensuite, vous passez à la modélisation de ces actifs physiques qui sont composés d’ensembles d’actifs précédents. Les actifs physiques peuvent aussi avoir des attributs qui changent rarement, comme le numéro de modèle. Ils comportent également des mesures que vous voudriez mesurer et surveiller, par exemple, la vitesse d’un moteur ou la tension d’un appareil électrique.
Une fois les modèles conçus, ils sont « instanciés » pour créer des actifs numériques dans AWS IoT SiteWise. Ces actifs sont maintenant les véritables répliques numériques de vos « objets » physiques. Et l’état d’un actif numérique à tout moment donné représente l’état actuel de l’actif physique correspondant. Vous pouvez donc voir l’état actuel de l’« objet » physique à l’aide d’un appareil informatique à distance, comme un navigateur.
L’étape suivante de la solution est la collecte des données, qui s’effectue grâce à différents capteurs intégrés à « l’objet » physique—dans notre exemple, le bâtiment commercial. Ces capteurs dans le bâtiment captent différents types d’informations—par exemple, la température ambiante, l’humidité ou la consommation d’électricité—provenant de l’environnement, des machines ou des personnes. Toutes ces données sont ensuite envoyées à un appareil Edge local, en utilisant des protocoles de messagerie standard comme MQTT. Ces appareils Edge sont connectés à Internet et exécutent également les services AWS Greengrass. Vos composants d’application personnalisés—où vous rédigez une logique d'affaires telle que le filtrage des messages, la modification du contenu des messages, l’application de l’analytique locale et enfin, l’envoi de ces messages à AWS IoT Core—peuvent être emballés comme images Docker et être déployés sur des conteneurs Docker dans AWS Greengrass.
Lorsque les données de télémétrie provenant des capteurs atteignent AWS IoT Core, elles sont acheminées au moyen d’AWS IoT Rules, où des règles définissent comment les données sont mappées aux propriétés d’actifs numériques correspondantes définies à l’étape 1. Cela crée un flux de données horodatées qui met à jour les propriétés des actifs numériques en quasi temps réel. Pour visualiser ces données horodatées, utilisez le portail de surveillance fourni par AWS IoT SiteWise. Dans le portail, créez un tableau de bord pour surveiller divers actifs à l’intérieur du bâtiment. La figure 2 ci-dessous montre un tableau de bord créé pour surveiller différents aspects de notre bâtiment commercial.
Figure 2 – Tableau de bord créé sur le portail de surveillance AWS SiteWise
Ce n’est pas encore terminé.
Bien que le tableau de bord de surveillance vous donne une visibilité sur ce qui se passe dans le bâtiment commercial, ce n’est pas une fin en soi. Car notre objectif principal n’est pas seulement de surveiller les données de télémétrie, mais aussi de prendre des mesures proactives en analysant ces données. Pour atteindre ce second objectif, il faut d’abord stocker ces données dans un entrepôt de données ou un lac de données. À cette fin, nous utilisons Snowflake, qui peut stocker et analyser de grands volumes de données structurées et non structurées provenant de capteurs et d’autres systèmes disparates. Il offre aussi un traitement de données quasi en temps réel et l’extraction d’informations à partir de ces données.
L’intégration de Snowflake à notre solution s’effectue en quatre étapes. Premièrement, une règle est créée dans AWS IoT Core pour acheminer les données de télémétrie vers un compartiment AWS S3. Deuxièmement, créez une « external stage » dans Snowflake qui pointe vers le compartiment S3 d’AWS en tant qu’emplacement des données. Troisièmement, créez une Snowpipe dans Snowflake qui charge des données de la « external stage » vers une base de données interne dans Snowflake. Finalement, configurez la notification d’événement du compartiment AWS S3 pour acheminer l’événement vers la file d’attente SQS de Snowpipe. Ce que réalisent ces quatre étapes, c’est que dès que de nouvelles données de télémétrie sont stockées dans un compartiment S3 d’AWS, AWS déclenche un événement qui envoie un message à la file SQS surveillée par Snowpipe. Snowpipe lit alors les données du compartiment S3 d’AWS et les charge dans sa propre base de données. Ensuite, Snowflake est intégré à Tableau pour l’analytique des données et la visualisation via des tableaux de bord.
La prochaine partie de notre solution implique la création d’un modèle d’apprentissage automatique (ML) dans AWS SageMaker pour identifier des schémas dans les données de télémétrie, telles que la détection d’anomalies, la prédiction de pannes d’équipement, etc. Ce modèle est ensuite entraîné en continu avec les données provenant de Snowflake.
Dans la dernière partie de notre solution, nous utilisons AWS IoT TwinMaker pour construire des jumeaux numériques de notre bâtiment commercial et des équipements qui s’y trouvent. Pour cela, il faut créer des modèles 3D des « objets » physiques, les téléverser dans TwinMaker puis les superposer aux actifs numériques que vous avez créés dans les étapes précédentes. Cela se fait en créant des « scènes » dans TwinMaker. Ces scènes constituent maintenant les représentations visuelles de votre bâtiment physique et peuvent être utilisées par vos utilisateurs d’affaires pour analyser et améliorer la performance du bâtiment.
En conclusion, AWS propose une multitude de services qu’il est possible d’intégrer afin de bâtir une solution de numérisation hautement évolutive et intelligente pour créer un bâtiment intelligent, vous aidant à stimuler l’innovation qui se traduit par un meilleur service aux locataires, améliore la santé et le confort des occupants et est hautement durable.
