Suivez les accélérateurs d'innovation : concentrez-vous sur le travail à réaliser, ne vous attardez pas (trop) sur le volume des données | Agoria

Suivez les accélérateurs d'innovation : concentrez-vous sur le travail à réaliser, ne vous attardez pas (trop) sur le volume des données

Image
Publié le 13/08/21 par Anje Van Vlierberghe
L'intelligence artificielle est considérée comme l'un des fondements de l'Industrie 4.0 et l'un des outils les plus prometteurs pour sortir les entreprises manufacturières de la crise actuelle. Elles sont pourtant moins de 10% dans le monde à déclarer exploiter pleinement cette technologie, malgré les possibilités qu'elle offre pour produire plus efficacement, réduire les temps d'arrêt et améliorer la qualité des produits. Que pouvons-nous apprendre des expériences déjà menées par l’industrie manufacturière dans le domaine des données et de l’intelligence artificielle ?

Dans la plupart des entreprises, le parc de machines génère déjà une grande quantité de données numériques, provenant notamment d’automates programmables (autonomes) et des commandes de machines. Il s'agit d'une excellente base, nécessaire, pour la poursuite de la digitalisation. Pour cette première phase, pensons notamment aux machines CNC : les données CAO sont encore introduites manuellement (ou au moyen d’une clé USB) dans la machine ; en d'autres termes, la machine n'est pas encore connectée automatiquement au système ERP de l'entreprise. Environ 10% des entreprises manufacturières européennes se trouvent dans cette phase.

Dans la grande majorité des entreprises (environ 80%), de nombreux éléments OT (technologie opérationnelle) sont déjà connectés aux systèmes IT (technologie de l'information), mais il reste encore beaucoup de chemin à parcourir avant que les systèmes IT soient totalement intégrés à la technologie OT. Une intégration complète signifierait que dès la clôture d'une conception (sous forme numérique) dans le département de développement, les données correspondantes pourraient être envoyées au département de production, qui pourrait alors procéder aux étapes suivantes de manière autonome.

Une fois les étapes de production terminées, elles seraient automatiquement confirmées en temps (quasi) réel par un système d'exécution de la fabrication (MES). Or, il n'est pas rare de trouver, dans les ateliers de production, des machines vieilles de 30 à 50 ans, qui ne sont pas équipées par défaut de systèmes de communication modernes.

Il est donc logique que ces entreprises n'exploitent pas (encore) tout le potentiel des données et de l'IA et indiquent principalement rencontrer encore des difficultés à connecter des sources de données disparates. Mais dans ce cas, comment franchir les étapes suivantes permettant de libérer davantage le potentiel des données, de l'intelligence artificielle et/ou de l'Industrie 4.0 ?

 

 

 

 

 

Étape 1 : définissez votre objectif

Une première étape importante consiste à définir l'objectif : la digitalisation n'est pas une fin en soi, mais peut être un moyen d'atteindre l'un des objectifs suivants :

  •          Utilisation plus efficace des actifs et des outils

  •           Fourniture à l’opérateur de la bonne information au bon moment

  •           Gestion plus économe en énergie des services généraux

  •           Optimisation des stocks

  •           Garantie de la qualité des produits

  •           Garantie de la sécurité sur le lieu de travail

  •           Accélération de la mise sur le marché

  •           Production plus flexible

  •           Planification plus efficace dans l’atelier de production

  •           ...

Définissez, pour cet objectif, une ambition concrète et réalisable, par exemple « réduire les arrêts non planifiés de la production » ; l'expérience de projets antérieurs a montré que cela permet de réduire les coûts connexes de 40% en moyenne.

Étape 2 : en interne ou en sous-traitance ?

Mettez-vous concrètement au travail : s'agit-il de quelques longs arrêts non planifiés, ou de nombreux arrêts de moins de 5 minutes ? Quelles données de production ou autres peuvent y être associées ? Il existe une myriade de solutions technologiques, mais un problème lié au moteur peut nécessiter une approche très différente d’un problème générant de nombreux arrêts de courte durée. Quelle approche adopter ? Allez-vous faire suivre à vos propres collaborateurs une formation spécifique afin qu'ils puissent solutionner eux-mêmes le problème, ou confier la collecte, l'agrégation et l'analyse des données à une entreprise ou un centre de connaissances spécialisés ? Réfléchissez bien à l'extensibilité d'un PoC (proof of concept) au préalable : il est possible que vous trouviez une solution pour un moteur particulier, mais elle ne sera peut-être pas applicable à d'autres moteurs qui tombent régulièrement en panne.

Étape 3 : des données à l’interprétation

L'analyse des données permet de les interpréter. Quels sont les paramètres qui influencent les performances du moteur (température, charge, etc.) ? Quels sont ceux qui influent l'usure de l'entraînement (vibrations, contamination de l'huile, etc.) ?

Étape 4 : mettez-vous au travail

Pour pouvoir faire des prédictions sur la base de cette interprétation, des techniques d'intelligence artificielle, telles que l'apprentissage automatique, sont utilisées. Les données d'un seul moteur ne permettront peut-être pas de faire des prédictions très précises, mais son constructeur et les entreprises spécialisées disposent probablement de plus de données, qui pourront rendre les prédictions très fiables et permettre une meilleure planification du remplacement du moteur.

 

 

 

 

Cet article était-il utile ?