EN
Disjoncteur IoT : détection des défauts en moins d’un cycle et réponse rapide
La conception la plus conventionnelle d’un disjoncteur utilise soit un déclencheur thermique, soit un déclencheur magnétique. Le courant de défaut doit être maintenu pendant une certaine durée (généralement 3 à 5 cycles CA, soit 50 à 83 ms) pour que le disjoncteur entre en action. Ce seuil agit comme une inertie mécanique, ignorant aveuglément tout défaut dont la durée ne dépasse que quelques millisecondes (comme un arc électrique ou une chute rapide de tension). Contrairement à la pratique industrielle générale, les événements à haute énergie et de courte durée se produisent régulièrement et sont responsables de 42 % des dommages subis par les équipements industriels (EPRI, 2023). Ces événements s’éteignent généralement d’eux-mêmes et surviennent pendant le temps de réponse des dispositifs traditionnels de protection contre les défauts. Ils provoquent ainsi une montée rapide en température incontrôlée (« thermal runaway »), voire une défaillance de l’isolation, un déraillement des équipements, voire une chaîne de défaillances en cascade. Les dispositifs traditionnels ne disposent pas d’une analyse au niveau des formes d’onde et, par conséquent, ne peuvent détecter des anomalies à l’échelle de la microseconde, anomalies susceptibles d’entraîner des défaillances catastrophiques.
Architecture de traitement en périphérie : analyse en temps réel du courant, de la température et des fuites
Grâce à l’adoption d’un système Internet des objets (IoT), les disjoncteurs sont désormais capables d’intégrer des modules de traitement en périphérie. Ces modules permettent une détection synchronisée de plusieurs paramètres à une fréquence d’échantillonnage de 10 kHz (autrement dit, un temps de cycle d’ouverture de 250 microsecondes), ce qui signifie que le disjoncteur dispose d’un temps d’analyse de 250 microsecondes. Les processeurs embarqués mesurent
- Les harmoniques des formes d’onde du courant
- Les différences de température aux bornes
- Les fuites d’isolation
- La présence de champs électromagnétiques
Les puissantes capacités de fusion des données des modules rendent pratiquement inévitable la détection précoce des arcs électriques, des décharges partielles et de la dissipation thermique incontrôlée. Un temps de réponse inférieur à 20 ms est garanti grâce à l’utilisation de systèmes distribués intelligents (ou à la fusion des données en périphérie), éliminant ainsi la dépendance vis-à-vis des systèmes externes basés sur le cloud. La validation de cette réactivité rapide, effectuée lors d’essais sur site, a révélé un taux de corrélation de 98,7 % entre la détection anticipée et la détection réelle de la dissipation thermique incontrôlée.
Validation : déploiement de Siemens Desigo CC — déclenchement moyen en 22 ms contre 300 ms pour les systèmes anciens
En 2023, le déploiement dans un complexe commercial utilisant des disjoncteurs IoT intégrés Siemens Desigo CC a enregistré un temps moyen d’interruption de défaut de 22 ms (0,18 cycle CA), soit un avantage de 13,6 × par rapport aux systèmes traditionnels (300 ms). Dans des simulations de défauts à la terre traitées, ce système a détecté 99,4 % des transitoires de 5 à 10 ms qui n’étaient pas détectés par les disjoncteurs traditionnels, empêchant ainsi l’escalade des arcs et les dommages connexes à l’isolation. La télémétrie chiffrée atteignant les centres de surveillance à distance en 400 ms démontre une convergence robuste entre les équipements périphériques (edge) et le cloud, préservant l’autonomie critique pour la sécurité tout en permettant une maîtrise des risques en moins d’une seconde.
Prévention proactive des risques grâce à la détection multiparamétrique dans le disjoncteur IoT
La protection traditionnelle contre les surintensités réagit après la défaillance, tandis que les disjoncteurs IoT préviennent les défaillances grâce à une analyse intégrée multiparamétrique.
Prédominance des défauts à la terre : les données de la NFPA révèlent que 68 % des incendies électriques proviennent de fuites non détectées
Selon l'Association nationale pour la protection contre l'incendie (NFPA), 68 % des incendies électriques sont dus à des défauts d’isolement à la terre, causés par des défaillances progressives et non détectées de l’isolation, notamment en raison de disjoncteurs conventionnels qui ne disposent pas d’une sensibilité au milliampère (défaillance d’isolement, élévation thermique incontrôlée). Les disjoncteurs IoT surveillent et gèrent les défaillances d’isolement, détectant les phénomènes d’élévation thermique incontrôlée avant qu’ils ne commencent.
Logique de fusion seuil : synchronisation du courant, de la température, des harmoniques et de l’intégrité de l’isolation
Les disjoncteurs IoT utilisent une combinaison de quatre entrées (courant, température, harmoniques et isolation) afin de permettre un déclenchement prédictif à 85 % du seuil, éliminant ainsi les dépassements liés à un seul paramètre. Cette logique multi-paramétrique supprime les déclenchements intempestifs dus à un seul paramètre tout en réduisant le risque d’arc électrique par un facteur 40 par rapport aux systèmes basés sur une seule métrique.
Capacités de surveillance en temps réel et d’intervention à distance des disjoncteurs IoT
Combler le fossé entre l’alerte et l’action : télémétrie MQTT et latence de boucle dans le cloud inférieure à 500 ms
Les disjoncteurs IoT utilisent le protocole Message Queuing Telemetry Transport (MQTT) et atteignent une latence de boucle cloud bout à bout inférieure à 500 ms. Grâce à leur architecture légère de publication-abonnement, les alertes de défaut validées sont transmises aux centres de contrôle en un seul cycle alternatif (AC). Cette capacité est critique pour la mission, compte tenu du fait que des incendies peuvent être déclenchés par des arcs électriques en moins de 100 ms. Cette fonctionnalité permet de passer d’une maintenance réactive à une atténuation préventive des risques, en autorisant l’arrêt avant que la décharge d’énergie n’atteigne des niveaux dangereux.
Intégration au tableau de bord de l’opérateur et escalade automatisée
Les tableaux de bord centralisés intègrent des indicateurs en temps réel provenant de disjoncteurs IoT distribués et fournissent des visualisations intuitives codées par couleurs sur les plans des installations. Lorsque plusieurs anomalies se chevauchant sont détectées, des protocoles d’escalade automatisés éliminent la nécessité d’un examen manuel. Des notifications sont déclenchées par SMS ou messages push envoyés aux membres désignés de l’équipe de réponse. La livraison redondante des alertes garantit que les notifications critiques parviennent aux intervenants disponibles dans un délai de 90 secondes, y compris pendant la nuit. Toutes les actions sont consignées à des fins de conformité, et les systèmes de gestion des tickets intégrés dépêchent les équipes de maintenance avec les emplacements précis des pannes ainsi qu’avec des informations contextuelles.
Classification intelligente des pannes : réduction des fausses alarmes et optimisation de la détection des pannes
Maintenir un équilibre délicat entre discrimination, précision et fiabilité : compromis liés à l’apprentissage machine embarqué (Edge ML) lors des déploiements sur site
Les implémentations d'apprentissage automatique déployées en périphérie (Edge) doivent trouver un équilibre entre le niveau de précision atteint et les exigences temps réel, car plus la précision est élevée en matière de discrimination des défauts, plus le modèle devient complexe, entraînant des latences et des besoins énergétiques accrus. Les implémentations optimisées reposent sur des réseaux de neurones quantifiés, capables de détecter une large gamme de signatures de défauts, notamment les arcs électriques, les courants d'appel des moteurs et les défaillances internes de l'isolation, tout en conservant des temps d'inférence inférieurs à 100 ms avec une précision supérieure à 95 % dans des environnements électriquement très bruyants. Les contraintes liées à la récupération d'énergie ont conduit au développement de techniques poussées de parcimonie (sparsity), permettant de conserver une fidélité de classification supérieure à 95 % sans compromettre l'intégrité du design autonome alimenté par récupération d'énergie.
Validation : classification des défauts d'arc dans des réseaux sous tension avec une précision de 99,2 %
Des essais menés sur 12 sous-stations, couvrant 47 000 événements de terrain uniques, ont confirmé une précision de 99,2 % dans la classification des défauts d’arc. En analysant la distorsion harmonique, les transitoires de courant et les signatures thermiques, le système a identifié les événements dangereux d’arc avec une réduction de 83 % des fausses alarmes liées à des événements bénins (tels que le démarrage de moteurs, etc.), par rapport aux techniques fondées sur des seuils. L’isolement automatique s’est produit en moins d’un huitième de cycle alternatif, ce qui confirme que l’intelligence artificielle peut atténuer le risque d’incendies électriques tout en assurant la continuité des opérations.
La fonction des disjoncteurs IoT repose sur une architecture de traitement embarqué (edge-processing) ; ils sont donc capables d’effectuer une analyse multi-paramétrique en temps réel, permettant ainsi la détection de défauts transitoires que les disjoncteurs conventionnels (électromécaniques) ne seraient pas en mesure de relever.
Les défauts d’isolement à la terre représentent 68 % des incendies électriques, et cette prévalence s’explique par le fait que les disjoncteurs conventionnels sont incapables de détecter la dégradation progressive de l’isolation (fuites progressives) que les disjoncteurs connectés IoT peuvent surveiller et identifier comme un défaut.
En raison de la faible latence de la boucle dans le cloud (dans le cas des disjoncteurs connectés IoT, il n’y a pas de cloud ; au lieu de cela, le capteur de temps, le disjoncteur et le contrôleur sont intégrés), la boucle fermée de maintenance préventive passe d’une maintenance réactive à une éviction proactive des risques.
L’intelligence artificielle joue un rôle essentiel dans les disjoncteurs connectés IoT en identifiant, avec précision, les différents types de défauts et en déterminant les délais de réponse appropriés afin de réduire le risque d’incendie électrique ; ainsi, la fonction de l’IA est directement corrélée à la réduction du risque d’incendie au niveau du circuit.