IA – produire plus efficacement & durablement en détectant les anomalies
De nombreuses entreprises ont encore du mal à utiliser l’IA dans la production. Nous montrons comment des défis concrets peuvent être mieux résolus grâce à l’utilisation de méthodes d’IA et générer ainsi des avantages économiques. Des exemples d’applications concrètes montrent comment les entreprises de l’industrie alimentaire et des boissons peuvent rendre leur production plus efficace et plus durable.
Partenariat entre INCTEC et FORCAM
Le partenaire de FORCAM, incontext.technology (INCTEC), propose une solution basée sur les données pour la surveillance continue des installations et des processus pour les entreprises de fabrication – Smart Monitoring. À l’aide des procédés de l’intelligence artificielle (IA) et de l’apprentissage automatique (ML), elle permet une analyse des données aussi bien au niveau des signaux que des processus, identifie les aberrations et les irrégularités et crée ainsi encore plus de transparence dans les processus industriels. Les écarts par rapport à l’état souhaité peuvent être identifiés de manière simple et robuste. Les collaborateurs de la production sont informés des écarts et peuvent ainsi décider des mesures opérationnelles appropriées sur la base des données et en temps réel, sans devoir surveiller eux-mêmes en permanence les flux de données de processus. En attirant l’attention des collaborateurs sur des informations pertinentes, les entreprises peuvent identifier de nouveaux potentiels, réaliser des gains d’efficacité et produire de manière plus durable.
Motivation : pourquoi utiliser l’IA dans la production?
Le potentiel de l’IA pour l’économie allemande est énorme. D’ici 2030, on prévoit une augmentation du PIB de plus de 10 pour cent, qui sera due à l’utilisation de solutions d’IA. De nombreuses opportunités s’offrent aux entreprises, de l’optimisation des processus au développement des modèles commerciaux existants.
Défis d’une mise en œuvre de l’IA du point de vue du client
Les avantages potentiels d’une implémentation de l’IA sont immenses, comme le montre l’étude “L’intelligence artificielle dans les entreprises” (2019) de PWC. En revanche, il existe une petite proportion de 6 % d’entreprises qui utilisent effectivement l’IA pour améliorer et optimiser leur création de valeur et construire de nouveaux modèles commerciaux. Les enquêtes menées auprès des clients par INCTEC et FORCAM ont également confirmé les raisons et les défis les plus courants. Ceux-ci peuvent être résumés comme suit:
Un potentiel d’avantages inconnu:
Pour un grand nombre d’entreprises, il existe une grande confusion quant à la valeur ajoutée que l’IA peut apporter à la production. A cela s’ajoute la perception de l’IA comme une menace pour l’emploi. Le potentiel de l’IA est ainsi relégué au second plan.
Coûts prétendument élevés et manque de moyens de financement :
L’introduction de l’IA est associée à des coûts et à des efforts élevés. Les experts dans ce domaine ne sont pas bon marché et une solution interne peut ne pas avoir donné les résultats escomptés par le passé.
Collecte de données / manque de données :
Les données de la production font défaut ou sont fragmentées, incomplètes, peu standardisées, entachées d’erreurs et sans le contexte nécessaire. Ou il manque tout simplement l’accès aux données de la production, de sorte que celles-ci puissent être utilisées pour l’IA. La numérisation de la production pose un défi majeur, en particulier dans le domaine de la connexion des machines. Les machines Brownfield n’ont pas de norme de communication uniforme. Dans le passé, les fabricants de machines utilisaient différents protocoles de communication, ce qui rendait difficile l’accès aux données des machines. La mise à niveau vers de nouveaux standards comme OPC UA est généralement liée à des coûts tellement élevés que l’utilité des projets d’IA peut sembler pour le moins risquée.
Infrastructure informatique ou de données insuffisante:
L’accès aux valeurs de processus se fait par le biais de nombreux fabricants d’installations ou de protocoles différents. L’interception physique des signaux des machines pose également des défis aux entreprises. De plus, le traitement ultérieur des données nécessite souvent une puissance de calcul supplémentaire sur les sites de production.
Pourquoi des cas d’utilisation basés sur l’IA dans la production ?
L’intégration de l’IA dans la production permet de soutenir les activités opérationnelles quotidiennes, ce qui renforce le rôle des collaborateurs. Notre partenaire INCTEC mise sur une structure modulaire du logiciel. Cela permet d’utiliser des fonctionnalités individuelles pour effectuer des analyses de données intelligentes sur les questions suivantes.
- Le plan de production est-il respecté?
- Quand et pourquoi y a-t-il des écarts dans la qualité du produit?
- Quels contrôles de qualité doivent être effectués et quand?
- Y a-t-il des problèmes sur la ligne de production?
- Où se situent les goulots d’étranglement?
- Quand et où faut-il s’attendre à une panne de machine?
- Quels sont les indicateurs de performance environnementale pour la machine et le site de production?
- Quand et où se produisent les pertes d’énergie?
Quels sont les domaines d’application d’une solution d’IA?
En général, l’IA peut être divisée en quatre domaines d’application : la surveillance des conditions, l’analyse des causes, les mesures préventives et la prédiction.
- Monitoring/Condition Monitoring : détecter les situations anormales
Dans le cadre de la surveillance des conditions, l’intelligence artificielle (IA) surveille les états et processus critiques afin de détecter tout comportement anormal. Pour ce faire, elle recherche des modèles intéressants (aberrations, exceptions ou particularités) dans les données en temps réel de la production. - Analyse : identifier les relations entre les événements
Identification des interdépendances entre les signaux, les facteurs d’influence et les causes des événements. - Prendre des mesures préventives : Éviter les perturbations
Réagir rapidement aux conditions anormales par des contre-mesures appropriées. - Prévision : que va-t-il se passer ?
La prédiction est la forme la plus avancée de l’intelligence artificielle. Sur la base des connaissances acquises à partir des ensembles de données, l’intelligence artificielle peut prévoir des scénarios et émettre des recommandations sur la manière d’y réagir. Sur la base des ensembles de données et des modèles existants, elle anticipe les signaux des machines et les indicateurs de performance de production, ce qui permet de faire des prévisions.
Différents types de détection d’anomalies dans la surveillance conditionnelle
La détection d’anomalies consiste à identifier, dans le flux de données d’une machine ou d’un processus par exemple, les écarts par rapport à l’état théorique identifié sur la base de données historiques. Ces écarts par rapport à l’état théorique sont appelés anomalies. En général, il existe différents types d’anomalies, comme suit:
C’est surtout dans le cas des anomalies contextuelles et collectives que les méthodes d’apprentissage automatique (ML) montrent leurs forces. Elles représentent les défis qui ne sont pas facilement identifiables. Grâce à une analyse intégrée des données, il est ainsi possible d’attirer l’attention à temps sur des incidents critiques tels qu’une panne technique, un écart par rapport à la qualité souhaitée ou des opportunités potentielles.
Les écarts, les aberrations (outliers) et les irrégularités sont des termes utilisés comme synonymes du terme “anomalie”.
Procédure du Smart Monitoring
- Saisie des séries temporelles à partir des données de la machine
- Analyse structurelle continue des séries temporelles
- Apprentissage de déroulements / processus normaux
- Comparaison de l’évolution de la structure et détection des anomalies
- Visualisations et messages actifs et écarts
Production – Case 1 : Optimisation de l’assurance qualité
Le premier cas d’utilisation pour l’industrie alimentaire et des boissons met l’accent sur la détection précoce des écarts de température dans les machines et installations industrielles.
En été, lorsque les fruits sont mûrs, il s’agit de les préparer pour l’hiver. Cela signifie que les cerises, framboises, fraises et autres fruits sont transformés en confitures ou en garnitures de fruits. Les étapes typiques de la transformation sont le tri, le lavage, le mélange, la pasteurisation et la mise en bouteille. Lors du mélange, les fruits sont enrichis d’autres ingrédients, tels que du calcium et de la gelée. Ce processus permet de conserver la confiture ou le mélange de fruits. Le respect de la fenêtre de température concrète est ici décisif pour la qualité du produit. Même de petits écarts peuvent donc avoir une influence sur celle-ci. La détection des anomalies aide les ouvriers à identifier les écarts à un stade précoce et à réagir en conséquence. Cela évite de fabriquer ou même d’envoyer aux clients des confitures qui ne répondent pas aux normes de qualité requises.
Ainsi, l’objectif est de mettre sur le marché des produits irréprochables. L’outil aide les collaborateurs à observer en permanence le processus de production et permet d’atteindre l’objectif de l’entreprise.
Procédure
On y parvient en modélisant les indicateurs de performance qualité et la corrélation entre la qualité de la production, les signaux des capteurs et les conditions de production. Les résultats sont ensuite mis à disposition dans un tableau de bord et des systèmes internes. Ce cas d’utilisation fournit sa valeur ajoutée claire en identifiant les principaux facteurs qui influencent la qualité. De plus, il permet d’être averti à temps des évolutions critiques et d’établir ainsi une base de décision pour les adaptations de processus.
Valeurs ajoutées :
- Identification des principaux facteurs influençant la qualité
- Alerte en cas de développements critiques
- Base de décision pour les adaptations de processus
Production – Case 2 : Optimisation de la consommation d’énergie
Le deuxième exemple se rapporte à l’optimisation de la consommation d’énergie. Il s’agit d’un sujet aigu pour un grand nombre de secteurs qui ont des besoins énergétiques élevés, comme l’industrie du verre et de la fonderie. L’énergie est également un sujet de préoccupation dans le secteur alimentaire. La consommation d’énergie a un impact direct sur les coûts de production. Une installation de lavage dans l’industrie alimentaire et des boissons présente des besoins énergétiques élevés au cours du processus. Si, entre autres, la pompe déborde ou ne reçoit pas assez d’eau, cela peut entraîner une surcharge et une augmentation de la consommation d’énergie. L’objectif du deuxième cas est donc de détecter à temps les pertes d’efficacité énergétique dans les installations de lavage industrielles.
Procédure de détection et de prévision des pertes d’énergie
Tout d’abord, l’état théorique est comparé aux consommations énergétiques réelles des opérations en temps réel. Dès que la comparaison identifie une consommation d’énergie anormale dans les opérations, les liens entre la consommation d’énergie sur la ligne de production et les données opérationnelles du processus sont identifiés. Il en résulte une estimation des principales causes de pertes basée sur les données des capteurs opérationnels et une corrélation avec l’OEE (Overall Equipment Effectiveness).
Valeur ajoutée
- Réduction de la consommation d’énergie et des équivalents CO₂ grâce à des décisions optimisées.
- Optimisation continue de l’efficacité énergétique des machines
- Suivi prédictif des plans de consommation d’énergie et des équivalents CO₂.
FORCE EDGE CONNECT – La base de données pour votre système d’intelligence artificielle
La combinaison du Smart Monitoring d’INCTEC et de la solution FORCE EDGE CONNECT permet de se lancer rapidement dans l’analyse intelligente des données. Grâce à FORCE EDGE CONNECT, les défis liés à la collecte et à la qualité des données peuvent être surmontés. La solution est basée sur une architecture moderne de plug-in qui prend en charge les commandes de machines et les protocoles de communication les plus courants. Toutes les machines peuvent ainsi être connectées sans problème au système et les signaux des machines peuvent être enregistrés. Les signaux des machines nécessaires sont interprétés par le modèle de données de production et transformés en informations exploitables. Les processus de fabrication peuvent ainsi être numérisés de manière efficace.
Les fonctionnalités prédéfinies d’INCTEC Smart Monitoring sont basées sur ces données machine. Il s’agit de petites applications dotées d’une technologie d’intelligence artificielle ultramoderne. Elles peuvent être utilisées de manière standardisée chez le client, ce qui évite de devoir en développer de nouvelles. Il est ainsi possible d’accéder de manière rentable à la détection d’anomalies. Les données obtenues sont analysées par les apps, un état normal est défini et les anomalies sont détectées.
L’utilisation de l’IA promet de multiples plus-values pour les entreprises:
- Résilience accrue dans les livraisons, les installations et les processus.
- Augmentation de la productivité
- Réduction des coûts de maintenance et d’assurance qualité
- Prolongation de la durée d’utilisation des installations et de l’infrastructure
Conclusion
La combinaison de FORCE EDGE CONNECT et d’INCTEC Smart Monitoring permet d’entrer facilement dans le Data-Driven Manufacturing. Les défis peuvent être surmontés et les valeurs ajoutées de l’IA peuvent être réalisées de manière rentable. Commencez dès aujourd’hui à détecter les anomalies et à les prédire à l’aide des données des machines et des processus. Identifiez même les dysfonctionnements qui ne sont pas intuitifs ou évidents et faites des prévisions efficaces et sûres grâce à l’intelligence artificielle et au Machine Learning. Vous réduisez ainsi les situations critiques dans la production et pouvez même les anticiper. Grâce à des analyses de données intelligentes, vos collaborateurs disposent d’une base solide pour prendre des décisions opérationnelles optimales.