OES déploie 30 agents IA sur des camions de carrière et augmente de 10% le volume transporté

Sur une mine de charbon à ciel ouvert, plus de 240 engins sont en service, et plus de 10 000 écarts par rapport à la norme s'accumulent en un seul poste. Un dispatcheur équipé d'une radio n'a physiquement pas le temps d'y réagir. Les ingénieurs d'« Operatsionnoe Sovershenstvo » (OES) n'ont pas remplacé le système de supervision : ils ont construit par-dessus une couche de plus de 40 modèles et plus de 30 agents IA. Avec la même flotte, le volume de masse minière transportée a progressé de 10%, la productivité des excavatrices de 17%, et la charge du dispatcheur a chuté de 60–70%.

Un dispatcheur à la radio face à 10 000 écarts

La flotte se compose de camions de carrière BelAZ 75131 (130 tonnes) et 75306 (220 tonnes), ainsi que de plus de 25 excavatrices. Avant le déploiement, le flux de transport était équilibré à la main : le dispatcheur surveillait un écran et appelait les conducteurs. Selon les estimations d'OES, il traite moins de 0,1% des écarts au cours d'un poste, tandis que le reporting classique ne enregistre que 10–20% des pertes réelles.

Les problèmes étaient concrets. Une excavatrice perdait en moyenne une rotation par poste faute de camion disponible, et le dispatcheur l'apprenait 10–15 minutes plus tard, quand les pertes s'étaient déjà accumulées. Les engins quittaient la ligne 30–40 minutes avant la fin du poste et revenaient après l'heure prévue : jusqu'à 25% de départs anticipés et de retours tardifs. Chaque ravitaillement non planifié coûtait en moyenne 15 minutes de trop, car personne ne décalait les engins dans le temps. Le client demandait de réduire les arrêts des excavatrices et d'augmenter le volume transporté, sans toucher au système en place.

Deux modules par-dessus le dispatching d'un autre éditeur

Le premier module, OES Truck Balance, est un équilibreur piloté par IA. Il embarque plus de 40 modèles de types différents :

• un algorithme neuronal d'ETA, qui calcule l'heure d'arrivée de chaque engin ;
• un algorithme d'équilibrage, qui évalue toutes les 3 minutes des dizaines de scénarios d'affectation ;
• du text2speech et du speech2text pour la communication vocale avec les opérateurs.

Le système prévoit les files d'attente 30 minutes à l'avance et gère les départs au ravitaillement : deux engins ou plus d'une même unité ne peuvent pas partir en même temps. En cas de panne, il redistribue instantanément la flotte. Les directives arrivent sur une tablette dans la cabine.

Le second module, OES MAS, est un système multi-agents de plus de 30 agents spécialisés, chacun ayant son propre périmètre de responsabilité :

• Refuel gère le temps normatif de ravitaillement pour chaque modèle d'engin ;
• LoadCycle suit les cycles de chargement et les écarts par rapport au plan ;
• ShiftChange gère les relèves de poste et le positionnement des engins en début de poste ;
• Speed contrôle la vitesse technique sur chaque tronçon du trajet ;
• Quality vérifie la qualité du chargement ;
• Idle enregistre les arrêts ;
• Navigation surveille le bon fonctionnement de l'équipement de navigation.

Chaque écart suit un cycle de vie : événement, avertissement, infraction, directive. L'escalade se fait à trois niveaux : conducteur, dispatcheur, chef de poste. Chaque écart est immédiatement chiffré en roubles, de sorte que la perte apparaît en valeur monétaire.

La télémétrie, goulot d'étranglement

Toute la partie « intelligente » tourne dans le cloud, mais elle est alimentée par des terminaux Galileosky 7x et 10 installés sur toute la flotte active. Ils collectent la position GPS, le niveau de carburant, les paramètres moteur, la vitesse ainsi que l'état du godet et de la benne ; les données remontent toutes les 1–5 secondes. Des capteurs de carburant et de pression enregistrent en outre les chargements et déchargements et contrôlent les ravitaillements.

Le chemin des données est le suivant : terminal, plateforme OES IIoT, modules d'IA, tablette du conducteur et interface du dispatcheur. La plateforme reçoit la télémétrie et convertit les données des BelAZ, Komatsu et Caterpillar vers un format unique. Tout dépend de la précision de l'entrée : si un engin « disparaît » pendant 30 secondes ou si un capteur de carburant produit du bruit, la prévision des files d'attente dérive. Les terminaux ont donc été choisis pour leur résistance aux vibrations, à la poussière et aux écarts de température.

Le déploiement a débuté en 2024. De février à avril, un prototype a tourné sur une unité de 3–5 excavatrices, avec équilibrage manuel par un coordinateur. En mai, l'exploitation industrielle a démarré sur toute la flotte de camions de 220 tonnes et d'excavatrices de 20 m³. Juin a été consacré aux expérimentations sur l'équilibrage et la précision de l'ETA. En juillet, les camions de 130 tonnes, les excavatrices Komatsu PC2000 et les directives sur tablette ont été connectés. Depuis octobre 2024, le système est synchronisé avec le positionnement des engins et le dispatching des ravitaillements est automatisé.

Résultats obtenus et points d'attention avant de copier l'approche

Métriques d'OES :

• volume de masse minière transportée +10% avec la même flotte ;
• productivité des excavatrices +17% ;
• temps d'attente des camions au chargement −30% ;
• arrêts des excavatrices −15–25% ;
• absence de camion à l'excavatrice au cours d'un poste −20% ;
• charge du dispatcheur −60–70% ;
• 95% des directives sont exécutées sans appel au dispatcheur ;
• 100% des pertes sont enregistrées en temps réel, contre 10–20% dans le reporting classique ;
• 15 minutes économisées à chaque ravitaillement (agent Refuel) ;
• les départs anticipés et retours tardifs aux relèves de poste ont diminué de 25% ;
• l'effet économique a dépassé 20 millions de roubles au cours du premier mois de fonctionnement du MAS.

Exemple tiré d'un poste de référence d'août 2025 : sur 64 recommandations, 61 ont été exécutées ; le plan était de 210 mille m³, le réalisé de 233 mille m³ (+11%).

Pour ceux qui veulent reproduire l'approche, trois points comptent. Premièrement, une couche d'IA peut être ajoutée au-dessus d'une supervision existante sans remplacer le matériel, mais la qualité des prévisions dépend de la fréquence et de la propreté de la télémétrie. Deuxièmement, la spécialisation étroite des agents simplifie le débogage : pour chaque écart, on sait à qui il revient et combien il coûte. Troisièmement, les auteurs soulignent eux-mêmes que le résultat tient à plusieurs facteurs : les processus ont changé en parallèle, de l'équilibrage manuel par un coordinateur au passage des conducteurs au travail avec des directives. Sans ce volet organisationnel, les chiffres seraient très probablement plus modestes.