L’intelligence artificielle, cerveau numérique de l’industrie du futur

(c) Braincube-GettyImages

L’industrie utilise de plus en plus de capteurs communicants et « intelligents », outils de l’Internet industriel des objets (IIoT), génère et traite des données de plus en plus nombreuses, mais l’utilisation de l’intelligence artificielle (IA) est encore récente. Pourtant, son potentiel dans l’industrie, mais aussi la gestion de l’énergie ou la logistique sont de plus en plus reconnus pour une production optimisée, de meilleurs services, une diminution des coûts et des délais mais aussi une amélioration de la collaboration homme-machine (robotique collaborative ou réalité augmentée). De nouvelles techniques se développent comme le traitement des données massives, le machine learning (apprentissage automatique), le deep learning (apprentissage profond) ou les systèmes experts. Des techniques sur lesquelles travaillent aussi bien de grands groupes industriels ou informatiques que des startups innovantes ou des centres de recherche.

Sur le même sujet

L’Intelligence artificielle est déjà présente de façon discrète dans notre vie quotidienne (assistants vocaux, sites d’e-commerce…), elle l’est aussi dans les domaines de la santé (aide au diagnostic, prévention et aide au dépistage de maladies), du véhicule autonome et de l’assistance à la conduite ou de la traduction automatique.

Mais les entreprises ne sont pas en reste avec une utilisation de plus en plus importante de l’IA et des techniques associées comme l’apprentissage machine (AM) ou l’apprentissage profond (DL) dans de nombreux domaines.

Mais qu’est-ce que l’intelligence artificielle, l’apprentissage machine et l’apprentissage profond ? 

« L’intelligence artificielle et l’apprentissage machine sont deux termes souvent employés indifféremment, explique Patrick Donovan, Senior Research Analyst for DC Science Center de Schneider Electric. L’IA désigne généralement le fait qu’une machine ou un système puisse faire preuve d’intelligence en exécutant des tâches ou des opérations, grâce à la programmation et la saisie de données à propos de lui-même ou de son environnement. L’AM, en revanche, est une approche, une méthode pour rendre une machine ou un système plus intelligent… pour les rendre plus autonomes et adaptables à des conditions changeantes. L’AM est fondamentalement l’aptitude d’une machine ou d’un système à apprendre et à améliorer son fonctionnement ou ses fonctions automatiquement, sans intervention humaine. On pourrait dire que l’AM est aujourd’hui la plus pointue des façons d’imprégner une machine d’IA.

Usine Schneider Electric Le Vaudreil labellisée “Usine du Futur”. (c) Schneider electric

Pour mettre en œuvre l’AM, le Deep Learning (DL, littéralement apprentissage profond) est une méthode à laquelle on attribue une part importante des progrès actuels de l’IA. Le Deep Learning est une forme d’AM beaucoup plus intensive en calcul. Le Deep Learning, également appelé apprentissage structuré approfondi ou apprentissage hiérarchique, suppose l’analyse algorithmique d’un grand nombre de points de données à plusieurs niveaux, où la sortie d’un niveau est livrée au suivant de manière successive. Cette structure à plusieurs couches est souvent désignée sous la notion de réseau neuronal artificiel, à cause de sa similarité avec les réseaux de neurones du cerveau humain. Cette approche réduit les erreurs et accélère le processus d’apprentissage. »

Chaine de montage smart manufacturing de fabrication d’appareillages électriques” (c) Schneider Electric

Cette IA repose sur des volumes massifs de données (le Big Data) à partir desquelles sont développés des algorithmes, grâce auxquels les machines apprendront et prendront des décisions. L’explosion du nombre de capteurs intelligents à faible coût et de plateformes informatiques ouvertes simplifie déjà la connectivité et le contrôle des systèmes et va permettre l’utilisation de l’intelligence artificielle et de l’apprentissage machine ; une intelligence qui peut être répartie entre les ressources logicielles dans le Cloud, à la périphérie (Edge Computing) ou intégrées dans les capteurs et contrôleurs.

Des domaines d’applications très nombreux
Des entreprises, petites ou grandes, intègrent ces technologies innovantes dans leur process de production, la planification de la demande, le contrôle qualité des produits et l’amélioration de leur qualité par l’identification et l’analyse des facteurs influençant la non-qualité, la maintenance prédictive (ou intelligente), mais aussi la gestion de leurs ressources humaines ou leur planification et l’optimisation des consommations d’énergie.

Jérôme Morisson, directeur Solutions & Expertises de SPIE-Division Industrie, explique : « L’objectif est simple : il s’agit de permettre à ses clients industriels – tous secteurs confondus – d’atteindre et d’améliorer leur performance industrielle, que ce soit en termes de fiabilisation, de cadence ou de performance énergétique. En plus de son organisation et de ses compétences métiers reconnues, il s’agit d’adapter, de développer et déployer des solutions novatrices permettant de maximiser cette performance industrielle. Cette offre de service s’appuie notamment sur les nouvelles technologies liées à l’industrie 4.0.

Pour ce faire, SPIE dispose d’un réseau d’expertises internes mais également d’un panel de sociétés type startup, par exemple Prediktas, qui lui permet d’accélérer le développement de solutions sur mesure pour ses clients. L’agilité au service d’une organisation industrielle, en quelque sorte.

L’intelligence artificielle est un de ces outils et permet de traiter un flux de données important pour en obtenir une lecture inaccessible de manière cognitive. Les équipes méthode de SPIE et de ses clients trouvent alors un outil complémentaire leur permettant d’optimiser les programmes de maintenance par l’anticipation, notamment. Le champ des possibles est immense et c’est en collaboration étroite avec ses clients que SPIE cible les objectifs industriels afin de sélectionner, développer et adapter les technologies adéquates. »

Selon une étude Capgemini de 2019 (Scaling AI in Manufacturing Operations), trois cas d’utilisation de l’IA se distinguent par leur aptitude à donner le coup d’envoi au parcours IA d’un industriel : la maintenance intelligente, le contrôle qualité produit et la planification de la demande.

Maintenance intelligente et IIoT pour réparer avant la panne
Dans l’industrie ou le transport, la moindre panne d’un équipement, d’une machine, va se traduire par des arrêts de production ou de service et des pertes considérables. La maintenance corrective n’est plus une option et la maintenance préventive peut aussi être coûteuse et pas toujours adaptée à l’ensemble des équipements, avec un entretien prématuré de machines ou le remplacement non nécessaire de pièces. Cela augmente inutilement les temps d’arrêt ou les coûts de remplacement de ces pièces. La maintenance prédictive est une meilleure approche grâce aux capteurs de plus en plus sophistiqués dont peuvent être équipées les machines (vibrations, température…). C’est là que l’IIoT, avec ses outils de Big Data et de l’IA, va contribuer à une stratégie de maintenance plus sophistiquée et plus efficace. Les informations collectées et analysées vont déceler les signes avant-coureurs de la panne avant qu’elle ne survienne. Au fur et à mesure que la base de données s’étoffe, les logiciels d’apprentissage automatique vont détecter les corrélations et en déduire des informations précieuses pour les exploitants.
Cette intelligence artificielle peut même être embarquée dans le capteur : la société Éolane a développé BOB  Assistant, un capteur de vibrations de machines (moteurs, compresseurs, ventilateurs) autonome et doté d’IA embarquée qui distingue ce qui est normal et ce qui ne l’est pas, et qui se connecte au réseau LoRa en cas d’alerte.

Pour un des ses clients français du secteur de l’énergie, SPIE a développé un système de maintenance prédictive sur une série de machines tournantes. Pour son client, l’objectif était d’améliorer la qualité de service pour ses propres clients. « Le jeu a donc consisté, explique Jérôme Morisson, à optimiser la disponibilité de l’outil industriel et à en faciliter l’exploitation. Cela a été rendu possible grâce à la mise en place de l’intelligence artificielle, qui a permis d’anticiper les pannes et ainsi trouver des stratégies d’exploitation permettant d’améliorer sensiblement la continuité de service. »

AKEOPLUS a accompagné une société de la région Auvergne-Rhône-Alpes dans la réalisation d’une plateforme pour la maintenance prédictive sur ses moules d’injection plastique. Ainsi, explique son CEO Stéphane Morel, « notre partenaire est capable de mieux comprendre comment sont utilisés ses produits et il est également capable d’apporter des services complémentaires hautement bénéfiques à ses propres clients ».

Pour optimiser toute la chaîne de valeur depuis la génération de la donnée jusqu’à sa prise en compte opérationnelle dans le pilotage de la maintenance d’équipements, le spécialiste des capteurs, objets connectés et solutions sans fil Adeunis s’est associé à Carl Software. Jean-Luc Baudoin, directeur général délégué d’Adeunis, confie : « Nous souhaitons développer une solution IoT globale, universelle, intelligente à bas coût intégrant de l’intelligence artificielle et du Edge Computing, basée sur un traitement de l’information à répartir entre les traitements Cloud et les traitements embarqués dans le capteur physique. Grâce aux informations transmises, plus pertinentes et plus précises, la maintenance peut ainsi anticiper ses besoins et améliorer sa réactivité, mieux cibler ses actions, diminuer les coûts de maintenance et d’intervention, mais aussi agir sur la performance énergétique et la durabilité des équipements. »


AVIS D’EXPERT

Pierre Guérin, responsable commercial du segment Industrie chez Probayes, société spécialiste en IA et Data Science.

Pierre Guérin

« L’intelligence artificielle doit être au service des intelligences décisionnelles, omniprésentes dans l’industrie. »

L’industrie évolue et elle doit s’adapter pour répondre à l’évolution des marchés, à la mondialisation, aux nouveaux comportements d’achat, à l’accélération de la production personnalisée, à l’émergence de plus en plus rapide de nouveaux produits disruptifs et à la capacité d’innovation et d’investissements de la concurrence ou de nouveaux entrants.

La réussite industrielle est souvent déterminée par des leviers bien connus tels que le niveau d’investissements en R&D, la capacité d’innovation, le positionnement « haut de gamme », la motivation du personnel, la puissance des aides publiques, etc. Un autre levier est apparu il y a maintenant une dizaine d’années, et auquel les industriels sont de plus en plus attentifs, il s’agit du concept d’industrie 4.0 ou industrie du futur. Augmenter la productivité, diminuer les coûts de production, réduire les temps de mise sur le marché (mise au point) de nouveaux produits restent des objectifs fondamentaux poursuivis par les industriels, et l’évolution constante des technologies numériques offre continuellement des opportunités pour atteindre ces objectifs.

L’intelligence artificielle (IA) fait partie de ces technologies numériques matures et désormais accessibles qui peuvent participer – en complément ou pas de dispositifs existants d’amélioration continue – à l’amélioration de la performance industrielle. Nous pouvons identifier cinq grands objectifs envisageables s’appuyant sur différentes disciplines et solutions d’IA :

  • la prédiction visant à anticiper une situation, un comportement, un contexte. Elle vise avant tout à éviter un impact opérationnel et financier important sur la production ;
  • l’explicabilité visant à apporter des éléments de réponse à une situation difficilement maîtrisable, mal comprise et difficile à cerner. Elle vise avant tout à comprendre les facteurs d’influence sur cette situation pour mieux les maîtriser, les mettre sous contrôle ou pour orienter des travaux d’approfondissement par les méthodes ou le service qualité ;
  • la recommandation visant à apporter des informations d’aide à la décision pour améliorer le pilotage du procédé ;
  • l’optimisation visant par exemple à trouver les meilleurs réglages sur des équipements pour accélérer leur mise au point avec le meilleur niveau performance ;
  • vérifier, contrôler et détecter des défauts d’aspects, dimensionnels, des défauts structurels des matériaux, grâce à l’analyse d’image ou du signal sous différentes longueurs d’onde (visible ou invisible).

Il y a deux prérequis nécessaires à la mise en place de l’IA et ils sont assez simples à comprendre. Avoir un objectif très précis, une définition claire des résultats attendus, et disposer des données couvrant l’objectif à atteindre. Le nombre de données, bien qu’important, ne suffit pas. Les données doivent répondre à certains critères tels que le nombre d’enregistrements disponibles, le nombre d’occurrences des événements/situations à analyser, la variabilité dans les données, la maille élémentaire choisie pour les données transactionnelles (batch, OF, campagne, période temporelle de production…) et bien sûr, avoir le niveau de qualité requis.

L’IA et son intégration dans les systèmes d’information industriels sont désormais suffisamment matures pour se généraliser et apporter de nouvelles pistes d’amélioration, et pour identifier des gisements de gains insoupçonnés grâce à l’exploitation des données industrielles par des algorithmes de Machine Learning. L’essor de l’IA utilisée à des fins d’optimisation de procédés est en cours. S’inscrivant en complément des démarches plus habituelles d’amélioration continue, de contrôles statistiques des procédés ou de la qualité, la disponibilité des experts « métiers » et un bon niveau de maturité analytique déjà présent sont des formidables leviers d’accélération.


Le rôle de l’IA pour un contrôle qualité automatisé et optimisé

L’IA a clairement un rôle à jouer dans le domaine du contrôle qualité. Le défi est la fabrication zéro défaut et l’objectif est de développer des techniques d’apprentissage automatique, de classification et d’analyse d’images afin de prédire la qualité de nouveaux matériaux, produits ou processus de fabrication.

Mathieu Poissard, responsable marketing de Neovision, une société de conseil et d’ingénierie en intelligence artificielle, estime : « Production standardisée, multiplication des capteurs, tâches répétitives et chronophages : le milieu industriel gagnerait beaucoup en utilisant plus d’IA. L’IA surpasse aujourd’hui l’humain sur certaines tâches. De plus, l’utilisation de l’IA permet d’effectuer d’autres tâches qu’un humain ne peut traiter seul. Elle optimise et fiabilise la chaîne de production et permet notamment de dégager du temps pour les salariés, qui peuvent se concentrer sur les tâches à plus haute valeur ajoutée. Ce peut être le cas pour un contrôle qualité automatisé et optimisé. Alprobotic a fait ainsi appel à Neovision pour créer une technologie permettant de détecter automatiquement les défauts. Pour cela, Neovision a développé un système auto-apprenant qui apprend à quoi ressemble la pièce parfaite. En effet, le traitement de surface se doit d’être parfait et le moindre copeau, rayure ou autre imperfection doit être détecté. Ainsi, une fois que l’intelligence artificielle a appris à quoi ressemblent les pièces sans défaut, elle est capable de mettre au rebut toute nouvelle anomalie, même les défauts qu’elle n’a jamais rencontrés. »

Ainsi, avec des technologies telles que le deep learning, les algorithmes de reconnaissance visuelle sont beaucoup plus fiables et performants pour des lignes de production flexibles et adaptables. Dans ce domaine de l’amélioration de la qualité de fabrication et de la productivité, l’apport des jumeaux numériques ou virtuels (digital twins) est important tout au long du cycle de vie de la production industrielle (conception, essais, contrôle qualité, mise en service, maintenance et résolution d’incidents).

Sinumerik One, une commande numérique équipée d’un jumeau numérique pour effectuer des tests de machines-outils virtuels. (c) Siemens

Atos et Siemens testent actuellement avec l’industrie pharmaceutique une solution de « Process Digital Twin ». Cette solution innovante de réplique numérique du processus de fabrication pharmaceutique ouvre de nouvelles possibilités telles que le développement d’un processus durable, notamment en réduisant le temps global d’expérimentation et le gaspillage, en assurant une qualité constante et en facilitant la transition vers de nouveaux modèles « quality by design ». La solution offre également des mesures optimisées pour la qualité et la fiabilité du processus.

Des solutions robotiques basées sur l’IA pour la logistique
Pour développer des solutions impliquant des robots intelligents travaillant aux côtés des opérateurs dans des environnements dynamiques, apprenant et s’améliorant collectivement, ABB s’est associé à la startup Covariant. Le logiciel de Covariant permet aux robots de s’engager dans l’apprentissage par renforcement. Ils s’adaptent ainsi à de nouvelles tâches par eux-mêmes, par un processus d’essais et d’erreurs. ABB a identifié des opportunités de solutions robotiques s’appuyant sur l’IA dans un large éventail de solutions : la logistique, l’entreposage, le tri des colis et du courrier.


POINT DE VUE

Stéphane Morel

Stéphane Morel, CEO d’AKEOPLUS, société spécialisée dans le développement et l’industrialisation de solutions et produits robotiques interactifs et apprenants.

« L’intelligence artificielle appliquée à l’industrie manufacturière monte en maturité : les usages et bénéfices sont pour de nombreux industriels déjà définis, mais de nombreux facteurs clés de succès restent à maîtriser pour bénéficier de la valeur de ces technologies. »

L’intelligence artificielle (IA) reste un moyen de traitement avancé de données donnant accès à un usage, et non une fin en soi. Aujourd’hui, l’IA est au service de l’Homme (aide à la décision), de la productivité (anticipation de pannes et arrêts, robotique intelligente, contrôle qualité et reconnaissance) et de la compétitivité des entreprises (meilleure gestion des budgets, des stocks, etc.).

L’enjeu réel derrière l’intelligence artificielle réside dans la capacité d’une entreprise, d’une structure ou d’un métier à capter, collecter et unifier ses données afin qu’elles soient exploitables par l’intelligence artificielle : c’est ce qui est couramment appelé « la digitalisation ». Derrière cet enjeu se trouve ainsi un besoin d’unification des données, quelle qu’en soit la source, afin que seules les données exploitables soient injectées dans l’IA pour ne pas saturer les systèmes et entrer des données inutiles ou mal labélisées dans le process. Ce travail de l’ombre est nécessaire pour obtenir de bons résultats dans un projet IA et peut représenter 70 % de l’effort financier et du délai ! Cette phase peut être réduite à 10 % grâce à des technologies comme celles d’AKEOPLUS, permettant de rendre facilement et rapidement abordable l’IA à un large public comme les PME et ETI.


L’IA au service de l’efficacité énergétique
Pour Sophie Borgne, Senior Vice President Digital Plant de Schneider Electric, « une production efficace est une évidence pour la rentabilité et la durabilité. La technologie numérique disponible aujourd’hui peut aider les entreprises à atteindre leurs objectifs de réduction des émissions en utilisant plus efficacement l’énergie, les matières premières, et donc à produire avec moins de déchets. La technologie connectée intelligente fournit les flux de données nécessaires pour analyser et optimiser les performances. Dans le cloud, l’analyse et l’apprentissage automatique peuvent travailler ensemble pour réduire les émissions de CO2 tout en améliorant la qualité et la rentabilité de la fabrication ».

Pour accélérer la transition énergétique grâce à l’IA, Schneider Electric et Microsoft France avaient lancé en 2018 un incubateur « AI for Green Energy » afin d’aider le secteur de l’énergie à intégrer l’IA pour accélérer sa transformation. En janvier 2020, les 6 startups bénéficiaires de leur programme commun ont présenté leurs projets. On peut citer parmi elles Eco-Adapt, qui présente une solution de maintenance prédictive intégrale à destination des machines tournantes, ou Accentua, qui développe un système de chauffage et de climatisation à émissions de CO2 faibles grâce au stockage de chaleur géothermique et à l’IA.

Ainsi, de nouvelles applications d’IA apportent des prédictions plus fines que les technologies actuelles pour mieux gérer et améliorer les procédés industriels, la gestion de l’énergie, les opérations de logistique ou de maintenance pour tous les secteurs de l’industrie, de la santé et de la mobilité.

Jean-Paul Beaudet

Laisser un commentaire

Laissez un commentaire en remplissant les champs ci-contre ou utilisez votre compte

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.