Surveillance camions à béton

Le béton prêt à l'emploi a un budget temps strict. Dès que l'eau rencontre le ciment, la rotation de la toupie, la charge de l'entraînement hydraulique, l'eau ajoutée depuis le réservoir du camion, ainsi que la température et l'humidité ambiantes pèsent toutes sur l'affaissement, la fenêtre de cure et l'acceptation de la gâchée sur chantier. Un exploitant multi-pays faisait rouler sa flotte de livraison sur des registres manuels et des tests sporadiques en centrale. La dérive qualité n'apparaissait donc qu'au coulage, quand il n'y a plus rien à faire.

Le mandat était resserré. Exposer en temps réel les signaux mesurés par camion (vitesse et sens de rotation de la toupie, pression au moteur hydraulique d'entraînement de la toupie, position GPS, usage du réservoir d'eau, température et humidité ambiantes), les envoyer edge-first et alimenter une plateforme IA partenaire qui boucle sur la conception du mélange. Aucun discours de transformation. La question : pouvait-on stopper une gâchée rejetée avant qu'elle ne quitte le dépôt ?

La pile d'acquisition à bord de chaque camion lit les canaux qui comptent pour la qualité de livraison et l'exploitation :

• Rotation de la toupie : vitesse et sens de rotation.
• Pression hydraulique : pression au moteur hydraulique qui entraîne la toupie.
• GPS : position du camion tout au long de la livraison.
• Usage du réservoir d'eau : un capteur qui détecte quand de l'eau est prélevée du réservoir d'eau du camion.
• Température et humidité ambiantes : conditions environnementales autour du camion.

Les camions plus anciens sans capteurs d'origine reçoivent des unités de rétrofit calées sur la flotte équipée OEM. Un seul schéma couvre chaque châssis, de sorte que l'analytique n'a jamais à se scinder selon le millésime.

Chaque camion embarque une passerelle Linux ouverte Owasys exécutant un daemon d'acquisition. Là où la chaîne cinématique l'expose, la passerelle lit J1939 sur CAN ; sur les unités plus anciennes, elle bascule sur des entrées analogiques via un module capteur. Les trames brutes sont étalonnées par rapport à une table par unité, normalisées en un enregistrement par seconde par camion, puis écrites dans un buffer time-series local.

L'analytique tourne sur la passerelle elle-même. Estimations d'affaissement, efficacité de mélange et tendances de température glissantes se calculent sans aller-retour cloud. Les conditions critiques (température hors plage, blocage de toupie) déclenchent des alertes locales en moins d'une seconde. Tout le reste streame en MQTT vers un broker hébergé par l'exploitant, où un worker stream transmet les agrégats à la plateforme IA partenaire via un adaptateur conforme ISO 15143-3 (AEMP 2.0).

Le buffer conserve 24 heures d'enregistrements. Une coupure de connectivité au dépôt ne coûte aucune donnée de rotation de toupie, de charge ou d'événements de déchargement : le buffer se vide à la reconnexion.

Pilote (semaines 1–3) : douze camions sur un dépôt, couvrant deux millésimes de châssis. Cela a figé les tables d'étalonnage, mesuré la latence des alertes côté edge et prouvé le contrat MQTT et ISO 15143-3 (AEMP 2.0) face à la plateforme partenaire.

Déploiement (semaines 4–9) : les dépôts restants, par vagues. Dès qu'un ingénieur Melqart avait certifié les dix premiers camions d'un dépôt, l'équipe dépôt prenait en charge le reste des installations. Chaque installation était identique : passerelle pré-flashée, faisceau de câbles miroir du connecteur de service OEM, étalonnage par rapport aux références de la centrale.

Optimisation (semaines 10–14) : la plateforme IA partenaire a tiré des données live, et l'équipe qualité de l'exploitant a ajusté les seuils jusqu'à ce que le bruit d'alerte tombe à des événements purement actionnables.

L'équipe qualité de l'exploitant constate une baisse mesurable des gâchées rejetées au coulage, parce que les alertes edge captent les conditions hors plage avant livraison. Dispatching et équipes centrale raisonnent désormais sur l'utilisation et la qualité à partir d'un seul jeu de données, au lieu de réconcilier des tableurs après coup.

Deux conséquences comptent au-delà du titre :

• La plateforme IA partenaire reçoit des données propres. Une télémétrie continue et normalisée sur toute la flotte signifie que l'équipe ML ne combat plus la qualité de la donnée en plus de la qualité du modèle.
• L'exploitant possède le pipeline. Daemon d'acquisition, schéma et broker se trouvent tous dans le compte de l'exploitant. Si le partenaire IA change, le chemin de la donnée reste exactement là où il est.

L'architecture se transpose à toute cargaison à temps critique : produits chimiques de spécialité, denrées périssables, tout ce dont la fenêtre qualité se mesure en minutes. Une passerelle edge avec buffer local, un schéma normalisé par actif, MQTT vers un broker hébergé par l'exploitant, des alertes par exception. La verticale change. La forme, non.