Les algorithmes et modèles d'IA existants peinaient à extraire des connaissances à partir de données brutes plutôt que de données structurées et contextualisées. Mais avec les algorithmes d'apprentissage machine (‘machine learning’), les données des capteurs peuvent être analysées en temps réel pour permettre aux humains d’utiliser des informations inexploitées.
Les industriels n’ignorent pas que le monitoring et l'amélioration constante de la qualité des produits au fil du temps est une tâche ardue, surtout lorsqu'une stratégie à bas coûts et à grand volume n'est pas viable, sans oublier des contraintes sociales, environnementales, énergétiques ou de matériaux de base. L’image de leur marque repose sur la qualité de leurs produits, et leur réputation en dépend.
Habituellement, la qualité d’un produit est estimée par des humains qui détectend visuellement les problèmes, en fin du processus de production. Cela prend beaucoup de temps, est sujet aux erreurs et il est généralement trop tard pour corriger le lot en cours si nécessaire. Pourrions-nous accélérer et automatiser ce processus où les humains transcrivent une information tirée du monde réel (comme la présence d'une égratignure sur la surface) en données contextualisées utilisables (par exemple : lot 834/qualité par défaut/éraflure/type d'éraflure/valeur estimée, ...) ?
Des systèmes automatisés d'assurance qualité incomplets sans IA
Les industriels utilisent déjà la reconnaissance visuelle pour améliorer la qualité du processus, mais les programmes, avec des règles établies à la main par les programmeurs, ne peuvent identifier qu'un petit nombre de problèmes bien définis. L’exploitation de données brutes en gros volume (‘big data’) du monde réel avec des algorithmes de réseaux de neurones capables d'apprendre par eux-mêmes donnerait aux entreprises un énorme avantage concurrentiel en termes de prédiction de qualité ("Quelle sera la qualité finale ?") et de recommandation pour améliorer la qualité ("Vous devriez utiliser ces paramètres pour atteindre vos objectifs de qualité"). Cela permettrait d'exploiter des photos, des vidéos, la distribution de la chaleur, le son (comme les vibrations et les oscillations) et d'autres données d’ondes électromagnétiques.
"Une image condense une grande quantité d'informations", analyse José Andrés García, Chief Operation Officer de Wizata. "Si vous deviez déterminer quand remplacer un cylindre sur un convoyeur, une analyse visuelle pertinente permettrait d’indiquer précisément le bon moment, au lieu de devoir traquer l’effort fourni par l’équipement chaque seconde des deux dernières années, dont la tension dans le temps, la distance couverte, etc... ". De même, ouvrir une boîte de vitesses industrielle et l'inspecter alors que toute la chaîne de production est arrêtée est tout à fait inefficace par rapport à une analyse par intelligence artificielle d'un enregistrement audio de l'équipement, de manière à le décomposer pour détecter et isoler des problèmes spécifiques de l'équipement sans l'ouvrir (comme un roulement à billes spécifique qui devrait être remplacé dans les deux semaines).
L'IA détermine l'état réel de la production en analysant les données brutes et impartiales de chaque élément
Travailler à partir de données brutes réduit également les risques de se baser sur un ensemble de données biaisées. "Selon le cas d'utilisation, nous pourrions nous connecter aux données brutes des capteurs et les analyser en direct, car les informations peuvent être perdues, altérées ou compressées avant leur stockage. Nous pourrions ainsi obtenir de meilleurs résultats en travaillant avec un ensemble de données d'un an de données brutes au lieu de 10 ans de données stockées et agrégées."
Fonctionnement autonome
L'analyse automatique des données brutes est requise pour les opérations autonomes, lorsque les humains sont soit trop lents à réagir pour éviter un incident, ou lorsqu’ils sont incapables de faire fonctionner en personne les machines en raison d'interférences électromagnétiques et de radiations, comme autour de Fukushima Daiichi. "Les capteurs peuvent percevoir ce que nous ne ressentons pas et aller là où nous ne pouvons pas nous rendre, par exemple enregistrer la chaleur dans un four", ajoute Franck Bettinger, Senior Data Scientist chez Wizata. "Tirer parti des programmes informatiques pour voir et analyser les parties des données sensorielles qui nous sont inaccessibles, comme les rayons X ou l'infrarouge, aide à porter un jugement objectif sur la qualité d'un lot. Percevoir un changement de couleur graduel sur 2km de bobines avec vos propres yeux est quasiment impossible: votre cerveau compenserait automatiquement tout changement."
Vous êtes prêts à exploiter la puissance de vos données de production ? Consultez nos ebooks comprenant les conseils experts de nos data scientists et data engineers, ou contactez-nous pour réserver votre atelier exploratoire.
