L’IA dans la fabrication : applications et rôle pour les usines de demain
- À quoi sert l’intelligence artificielle dans la fabrication ?
- Comment l’IA a-t-elle évolué dans le secteur manufacturier ?
- L’état actuel de l’IA dans la fabrication
- Quel avenir pour l’IA dans le secteur manufacturier ?
- La fabrication et l’IA : applications et bénéfices
L’idée d’une usine complètement autonome a toujours été provocatrice et associée à la science-fiction. C’est un lieu pratiquement sans employés, qui fonctionne entièrement grâce aux systèmes d’intelligence artificielle (IA) qui dirigent les chaînes de production robotiques. Cependant, il y a peu de chances que ce soit la façon dont le secteur manufacturier fera appel à l’IA dans un avenir proche.
L’IA appliquée au domaine de la production ressemble, en fait, davantage à un ensemble d’applications destinées à des systèmes compacts et discrets qui gèrent des processus industriels spécifiques. Qu’il s’agisse de l’usure d’un outil, d’une panne de système, d’un incendie ou d’une catastrophe naturelle, ces applications fonctionneront plus ou moins de façon autonome et répondront aux événements externes de manière de plus en plus intelligente et qui se rapprochera du comportement humain.
À quoi sert l’intelligence artificielle dans la fabrication ?
L’IA appliquée à l’industrie manufacturière, c’est l’intelligence des machines à exécuter des tâches que réalisent normalement les humains, en répondant aux événements, voire en les anticipant, le tout de manière autonome. Les machines sont en mesure de détecter l’usure d’un outil ou quelque chose d’inattendu – ou même un événement censé se produire – et peuvent ainsi réagir et contourner le problème.
Si les historiens retracent l’évolution humaine de l’âge de pierre à l’âge du bronze, à l’âge du fer, etc., et mesurent le développement en fonction de la maîtrise humaine de l’environnement naturel, des matériaux, des outils et des technologies, l’humanité traverse actuellement l’ère de l’information, également connue sous le nom d’ère numérique. Au cours de cette période fondée sur l’électronique, les humains sont renforcés par les ordinateurs ; exercent un pouvoir sans précédent sur le monde naturel, et disposent d’une capacité synergique d’accomplir des choses qui étaient inconcevables il y a seulement quelques générations.
L’IA s’est avérée un développement naturel au fur et à mesure que la technologie informatique a évolué pour assumer des tâches normalement réservées aux humains. Nous avons le choix quant à la façon d’appliquer l’apprentissage automatique et l’IA. L’’une des choses dans lesquelles l’IA excelle est d’aider les personnes créatrices à l’être encore davantage. Elle ne les remplace pas forcément ; les applications idéales les aident à réaliser ce qu’elles font particulièrement bien – en matière de fabrication, cela peut se traduire par la production d’un composant dans une usine ou par la conception d’un produit ou d’une pièce.
De plus en plus, il s’agit de la collaboration entre les humains et les robots. Malgré l’impression populaire selon laquelle les robots industriels seraient autonomes et « intelligents », la plupart d’entre eux nécessitent en fait beaucoup de supervision. Néanmoins, il est vrai que leur intelligence se développe grâce à l’innovation en matière d’IA, qui améliore la sécurité et l’efficacité de la relation entre les humains et les robots.
Comment l’AI a-t-elle évolué dans le secteur manufacturier ?
De nos jours, l’IA dans le secteur manufacturier s’attache essentiellement aux processus de mesure, au contrôle non destructif (CND), et autres. L’IA intervient dans la conception des produits, mais commence seulement à s’immiscer dans la fabrication. La capacité des machines-outils est encore relativement limitée. On parle beaucoup de l’automatisation des ateliers, et pourtant, un grand nombre d’usines continuent de s’appuyer sur des équipements anciens, souvent dotés d’une interface numérique limitée ou uniquement mécanique.
Les nouveaux systèmes de fabrication sont équipés d’écrans, d’interfaces personne-machine et de capteurs électroniques capables de fournir des informations sur la disponibilité de la matière première, l’état du système, la consommation électrique, et bien d’autres facteurs encore. Vous pouvez visualiser ce que vous faites, soit sur un écran d’ordinateur, soit sur la machine elle-même. L’avenir est en train de se dessiner, tout comme la gamme de scénarios dans lesquels le secteur industriel utilisera l’IA.
Dans l’immédiat, ces scénarios comprennent la surveillance du fonctionnement des machines en temps réel et le contrôle des données de condition comme l’usure des outils. Ces applications font appel à ce que l’on nomme la maintenance prédictive. Et c’est une aubaine évidente pour l’IA : des algorithmes consomment des flux continus de données provenant de capteurs, trouvent des schémas significatifs, et réalisent des analyses afin d’anticiper les problèmes et d’alerter les équipes de maintenance pour les résoudre avant même qu’ils ne surgissent. Situés à l’intérieur de la machine, ces capteurs sont aux aguets : on peut avoir un capteur acoustique qui écoute les courroies ou les engrenages qui sont en train de s’user ou bien un capteur qui surveille l’usure d’un outil. Ces informations iront de pair avec un modèle analytique capable de prédire la durée de vie restante de cet outil.
Dans les ateliers, la fabrication additive est en phase de devenir une modalité importante et a encouragé l’ajout de nombreux nouveaux types de capteurs aux systèmes destinés à surveiller les nouvelles conditions qui affectent les matériaux et cette technologie de production dont l’adoption ne remonte qu’à seulement dix ans.
L’état actuel de l’IA dans la fabrication
L’IA vous permet d’avoir une conception beaucoup plus précise des processus de fabrication et d’ajouter le diagnostic et la résolution des problèmes lorsqu’un défaut survient dans le procédé de fabrication, grâce à l’utilisation d’un jumeau numérique – une réplique virtuelle exacte de la pièce physique, de la machine-outil, ou de la pièce que vous fabriquez. C’est cependant bien plus qu’une maquette CAO. Il s’agit en fait de la représentation digitale exacte de la pièce, et de la façon dont elle se comporte, par exemple en cas de défaut. (Toutes les pièces comportent des défauts, ce qui explique pourquoi elles s’enrayent.) L’IA est donc une condition nécessaire si l’on veut appliquer un jumeau numérique au processus de conception et de maintenance de la production.
En outre, les grandes entreprises ont tout à gagner en adoptant l’IA, et elles possèdent la solidité économique pour financer ces innovations. Certaines des applications qui font preuve d’une imagination incroyable ont cependant été financées par de petites et moyennes entreprises (PME), telles que des concepteurs sous-traitants ou des fabricants fournisseurs de secteurs à haute intensité technologique comme l’aérospatial.
Un grand nombre de PME essayent de damer le pion à leurs plus gros concurrents en adoptant rapidement de nouvelles machines ou technologies. Si elles se différencient dans l’espace de l’industrie manufacturière en offrant ces services, elles mettent dans certains cas en place de nouveaux outils et processus sans avoir les connaissances ou l’expérience requises. Cela peut être vrai du point de vue de la conception tout comme de la fabrication ; se lancer dans la fabrication additive représente une gageure pour cette raison. Dans un tel cas de figure, adopter l’IA motiverait davantage les PME que les grandes entreprises : l’utilisation de systèmes connectés capables d’apporter des retours d’information et d’aider la mise en place et le fonctionnement peut donner la possibilité à une petite start-up de s’implanter sur le marché.
Au fond, on peut intégrer l’expertise d’ingénierie de bout en bout au processus de production. C’est-à-dire que l’outillage avec l’IA embarquée est livré avec un savoir pour lui permettre de diriger son installation, son adoption, ses capteurs, ainsi que l’analytique destinée à détecter les problèmes de fonctionnement et de maintenance. (Ces capacités d’analyse sont susceptibles d’inclure ce que l’on appelle l’apprentissage non supervisé, formé pour identifier des schémas de rétroaction à partir de capteurs qui ne sont pas associés à des problèmes connus. La recherche s’oriente alors sur la détection des comportements étranges ou « erronés »).
Un exemple concret de ce concept est le projet DRAMA (Digital Reconfigurable Additive Manufacturing facilities for Aerospace), un projet de recherche collaborative à 16,50 millions d’euros lancé en novembre 2017. Autodesk fait partie du consortium d’entreprises qui travaillent avec le Centre de technologie de fabrication (MTC) afin de lancer une « usine d’apprentissage numérique ». L’intégralité du processus de fabrication additive se voit associer un double numérique ; l’usine sera reconfigurable afin de répondre aux exigences des différents utilisateurs et pour permettre de tester différentes solutions de matériels et de logiciels. Par ailleurs, les développeurs sont en train de créer une « base de connaissances » de la fabrication additive dans le but d’aider les utilisateurs à adopter la technologie et les processus.
Pour le projet DRAMA, Autodesk joue un rôle clé dans la conception, la simulation et l’optimisation, et prend en compte les processus en aval qui interviennent durant la production. Comprendre l’effet du processus de fabrication sur chaque pièce constitue une source d’information essentielle que les humains peuvent automatiser puis intégrer au procédé de conception via la conception générative. Ceci permet à la maquette numérique de produire un résultat plus proche de la pièce physique.
Quel avenir pour l’IA dans le secteur manufacturier ?
Un tel scénario suggère l’opportunité de créer un processus de travail efficace de bout en bout et de le vendre « tout emballé » à un fabricant. Cet ensemble pourrait comprendre les logiciels, les machines physiques de l’usine, le jumeau numérique des machines, les systèmes de commandes qui échangent des données avec les systèmes de la chaîne logistique, et l’analytique pour superviser les processus et collecter des données au fur et à mesure du cheminement des entrants dans le dispositif. En gros, on crée des systèmes « d’usines en boîte », aussi appelées « usines déplaçables ».
L’usine déplaçable
Pour les fabricants, ce système permettrait d’examiner la pièce réalisée le jour même, de la comparer à celle réalisée la veille, de constater que l’assurance qualité est effectuée, et d’analyser le CND qui est pratiqué sur chaque processus de la chaîne. Ce retour d’information les aiderait à comprendre exactement quels paramètres ont été utilisés pour fabriquer ces pièces et grâce aux données des capteurs, de voir où il y a des défauts.
La vision utopique de ce processus serait de charger des matériaux à un bout de l’installation automatisée et d’obtenir des pièces à l’autre bout. La présence humaine ne serait requise que pour la maintenance des systèmes et les robots effectueraient le plus gros du travail. En revanche, ce sont actuellement encore des personnes qui conçoivent et prennent des décisions, qui supervisent la production et qui travaillent à différents postes de la chaîne, tandis que le système les aide à comprendre les conséquences concrètes de leurs décisions.
L’apprentissage automatique et l’IA autonome
La puissance de l’IA provient principalement de la capacité de l’apprentissage automatique, des réseaux de neurones artificiels (ou « Deep Learning »), et d’autres systèmes auto-organisés à tirer un apprentissage de leur propre expérience, sans intervention humaine. Ces systèmes peuvent rapidement découvrir des schémas significatifs au sein de volumes de données qui seraient au-delà de la capacité des analystes humains. Dans le secteur manufacturier actuel, cependant, les experts humains dirigent toujours pour l’essentiel le développement de l’application de l’IA, en encodant leur expertise de systèmes précédents qu’ils ont eux-mêmes conçus. Ils apportent leurs idées sur ce qui s’est passé, ce qui n’a pas marché, et ce qui a bien marché.
À terme, l’IA autonome sera capable d’exploiter cet ensemble de connaissances expertes, si bien qu’une nouvelle recrue, mettons en fabrication additive, pourra bénéficier des retours d’information de fonctionnement au fur et à mesure que l’IA analyse les données des capteurs embarqués pour la maintenance préventive et le peaufinage du processus. C’est là une étape intermédiaire en direction des innovations telles que les machines qui s’autocorrigent : lorsque les outils s’usent, le système s’adapte pour assurer la production tout en recommandant le remplacement des composants concernés.
La planification d’une usine et l’optimisation de son aménagement
Les applications de l’IA ne se limitent pas uniquement au processus de fabrication. Prenons l’exemple de la planification de l’usine. L’aménagement d’une usine prend en compte un grand nombre de facteurs, intégrant entre autres la sécurité des opérateurs et l’efficacité du déroulement des processus. L’une des conditions peut être que l’usine soit reconfigurable afin de s’adapter à une série de projets courts ou aux modifications fréquentes des processus.
Les changements fréquents peuvent entraîner des conflits d’espace et de matériels inattendus, ce qui mettrait à mal la productivité et la sécurité. Les capteurs, en revanche, sont capables de repérer et de mesurer ces conflits, et l’IA a un rôle à jouer dans l’optimisation de l’aménagement des usines.
Les capteurs enregistrent des données pour une analyse de l’IA en temps réel
Lorsqu’on adopte de nouvelles technologies où l’incertitude règne, comme dans la fabrication additive, l’une des étapes importantes est d’utiliser le CND après production de la pièce. Le contrôle non destructif peut s’avérer très coûteux, surtout s’il incorpore des biens d’équipement comme des scanners CT (utilisés pour analyser l’intégrité structurelle des pièces fabriquées). On peut cependant relier les capteurs des machines à des modèles construits à partir d’un ensemble de données extraites du processus de fabrication pour des pièces spécifiques.
En disposant des données des capteurs, vous pouvez vous en servir afin de créer un modèle d’apprentissage, par exemple pour le faire correspondre avec un défaut observé à la tomodensimétrie. De plus, les données des capteurs signalent les pièces que le modèle analytique suggère comme étant défectueuses, sans exiger de toutes les scanner. Au lieu de passer systématiquement toutes les pièces à la tomodensimétrie au fur et mesure qu’elles arrivent sur la chaîne de production, on ne scannerait alors uniquement que ces pièces-là.
L’opération peut également surveiller la façon dont on se sert de l’infrastructure : lors de la conception de l’équipement, les ingénieurs de fabrication émettent des hypothèses sur la manière dont on conduira les machines. Avec l’analyse humaine, il peut y avoir une étape en plus ou une étape en moins, mais les capteurs, eux, sont capables de saisir ces informations avec exactitude pour procéder à une analyse par IA.
L’IA peut aussi intervenir dans l’adaptation des processus de fabrication et des outillages à diverses conditions environnementales où ils peuvent s’appliquer. Prenons l’exemple de l’humidité, où les développeurs de technologie de fabrication additive ont constaté que certaines machines conçues dans certains pays ne fonctionnent pas. En utilisant les capteurs d’humidité des usines pour surveiller les conditions, on a alors parfois découvert des choses surprenantes. Par exemple, dans un cas où l’humidité était la source de problèmes au sein d’un environnement qui était censé être à humidité contrôlée, il s’est en fait avéré que quelqu’un laissait la porte ouverte en sortant pour fumer une cigarette.
Néanmoins, pour pouvoir utiliser les données des capteurs de manière efficace, il est tout autant nécessaire de développer des modèles d’IA efficaces. Afin de comprendre leur lecture des données – ce qui est à l’origine de problèmes, comment détecter les causes, et y remédier – ces modèles doivent être formés. Aujourd’hui, les modèles d’apprentissage automatique utilisent des capteurs pour évaluer la probabilité d’un problème et alerter un dépanneur humain. À terme, tous les systèmes d’IA seront en mesure d’anticiper les problèmes et d’y remédier en temps réel. Enfin, les modèles d’IA auront bientôt pour tâche d’élaborer des moyens proactifs en vue de maîtriser les problèmes et d’améliorer les processus de production.
La conception générative
S’il y a un secteur dans lequel l’IA a un rôle majeur à jouer, c’est celui de la conception générative, un processus par lequel le concepteur saisit un ensemble d’exigences pour un projet et un logiciel crée des itérations multiples. Récemment, Autodesk a rassemblé de gros volumes de données de matériaux destinés à la fabrication additive et utilise ces données pour le pilotage d’un modèle de conception générative. D’une certaine manière, ce prototype comprend comment les propriétés du matériau changent suivant que le processus de fabrication affecte les caractéristiques individuelles et la géométrie.
En effet, la conception générative est une technique d’optimisation adaptable. Pour optimiser les pièces, un grand nombre de techniques d’optimisation classiques adoptent des approches plus générales : en donnant la priorité à une fonction individuelle et en appliquant une compréhension des propriétés mécaniques de cette fonction basée sur les tests de matériaux et la collaboration avec les universités, les algorithmes de conception générative peuvent être bien plus spécifiques encore. Bien que les conceptions soient idéalisées, les processus de fabrication, eux, ont lieu dans le monde réel et par conséquent les conditions risquent de manquer de constance. Un algorithme de conception générative efficace incorpore justement ce niveau de compréhension.
Enfin, la conception générative permet d’aboutir à une conception et à des spécifications optimales dans le logiciel, qu’elle distribue ensuite vers différents équipements avec des outillages compatibles. Pour les installations plus petites et géographiquement dispersées, cela signifie fabriquer une gamme de pièces plus large. Ces installations pourraient donc être proches des endroits où l’on en a besoin : une unité serait en mesure de fabriquer des pièces pour l’aérospatial un jour, et le lendemain pour d’autres produits essentiels, ce qui économiserait sur la distribution et les frais d’expédition. L’industrie automobile est notamment l’un des secteurs où ce concept est en train de prendre de l’ampleur.
Des processus flexibles et reconfigurables dans les ateliers
L’IA sert aussi à optimiser les processus de fabrication et à les transformer pour qu’ils soient plus flexibles et reconfigurables. L’aménagement actuel d’un atelier est souvent déterminé par la demande qui peut générer un processus correspondant aussi à la demande future. On peut se servir de ces modèles pour les comparer et les différencier. L’analyse détermine ensuite s’il vaut mieux disposer de moins d’imprimantes 3D ou de plus de machines plus petites, soit du matériel qui pourrait s’avérer moins coûteux et que l’on pourrait consacrer à d’autres projets lorsque la demande fléchit. Une des applications courantes de l’IA concerne par ailleurs l’analyse « what-if » (et si… ?).
On peut également utiliser les modèles pour optimiser l’aménagement de l’atelier et la séquence des processus. Par exemple, l’imprimante 3D peut directement appliquer un traitement thermique sur une pièce additive, en tenant compte du fait que le matériau peut être prétrempé ou bien nécessiter un retrempage, ce qui exige un autre cycle de chaleur. Les ingénieurs pourraient alors lancer plusieurs scénarios « what-if » afin de déterminer le type d’équipement adapté aux besoins de l’usine : il risque d’être plus logique de sous-traiter certaines parties du processus à une autre entreprise de proximité.
En appliquant ainsi l’IA, une usine serait en mesure de changer l’analyse de rentabilisation qui détermine si elle doit se concentrer sur un processus captif ou prendre en charge des produits ou projets multiples. Dans ce dernier scénario, l’usine serait plus résiliente. Si l’on revient à l’aérospatial, un secteur qui connaît un fléchissement, ses opérations de production pourraient peut-être s’adapter pour fabriquer aussi des pièces médicales.
La fabrication et l’IA : applications et bénéfices
L’IA sera appliquée à l’industrie manufacturière à tous les niveaux : conception, amélioration des processus, réduction de l’usure des machines, optimisation de la consommation énergétique ; une évolution qui est déjà en marche.
Les machines deviennent plus intelligentes et mieux intégrées les unes aux autres ainsi qu’à la chaîne logistique et à d’autres automates d’entreprise. La solution idéale serait de faire entrer des matériaux pour produire des pièces, avec des capteurs qui surveillent chaque maillon de la chaîne. Ce sont toujours des personnes qui contrôlent les processus, mais elles ne travaillent pas nécessairement sur place, libérant des ressources de production vitales et du personnel pour se concentrer sur l’innovation, créant ainsi de nouvelles façons de concevoir et de fabriquer des composants, plutôt que d’accomplir du travail répétitif qui lui, peut être automatisé.
Et comme pour tout changement de cap fondamental, il y a eu de la résistance à l’adoption de l’IA. Le savoir et les compétences requises pour l’IA peuvent être coûteux et rares, et un grand nombre de fabricants ne possèdent pas ces capacités en interne. Ils se considèrent comme efficaces dans des compétences spécialisées, par conséquent, pour pouvoir justifier les investissements dans l’innovation ou l’amélioration d’un processus, ils ont besoin de preuves exhaustives et sont parfois réticents à prendre des risques afin de faire évoluer leur usine.
Le concept de « l’usine déplaçable » devient à ce moment plus attractif pour les entreprises. Un plus grand nombre d’entre elles, notamment des PME, peut adopter en toute confiance un processus conditionné de bout en bout au sein duquel les logiciels fonctionnent sans heurts avec l’outillage, utilisant des capteurs et l’analytique pour se perfectionner. L’ajout d’un jumeau numérique, par le biais duquel les ingénieurs simulent un nouveau processus de fabrication, rend également la décision moins risquée.
De plus, un autre domaine essentiel de l’IA dans la production industrielle est la maintenance prédictive. Elle permet aux ingénieurs d’équiper les machines industrielles de modèles d’IA préentraînés qui englobent les connaissances cumulatives de cet outillage. En fonction des données des machines, les modèles apprennent de nouveaux schémas de cause à effet découverts sur site pour prévenir les problèmes.
L’IA jouera également un rôle dans le contrôle qualité, un processus qui génère une grande quantité de données et qui est donc naturellement adapté à l’apprentissage automatique. Prenons l’exemple de la fabrication additive : une réalisation génère jusqu’à un téraoctet de données sur la façon dont la machine a produit la pièce, les conditions sur site, et tous les problèmes découverts au cours dudit processus. Ce volume de données va au-delà des capacités humaines d’analyse, alors que les systèmes d’IA peuvent s’en charger. Ce qui fonctionne dans le cas des outils de la fabrication additive peut facilement s’avérer concluant avec la fabrication soustractive, le moulage, le moulage par injection, et un vaste éventail de processus de fabrication.
En outre, l’association de technologies complémentaires comme la réalité virtuelle (RV) et la réalité augmentée (RA) aux solutions d’IA permet de réduire les délais de conception et d’optimiser les processus de la chaîne de montage. Les personnes ayant la charge du montage sont d’ores et déjà équipées de casques de RV/RA qui leur permettent de visualiser le processus, et leur apportent un guidage visuel pour améliorer la vitesse et la précision de leur travail. Munie d’un casque de RA, la personne pourra voir des diagrammes lui expliquant comment assembler les pièces. Le système peut alors surveiller les tâches et fournir des instructions telles que « vous avez suffisamment serré cette clé », « vous ne l’avez pas suffisamment serrée », ou bien « vous n’avez pas appuyé sur le déclencheur ».
Concernant l’adoption de l’IA, l’enjeu des grandes entreprises et des PME n’est pas le même. Les PME ont tendance à fabriquer beaucoup de pièces alors que les grandes entreprises assurent souvent le montage d’un grand nombre d’entre elles provenant d’autres fournisseurs. Il y a bien sûr des exceptions : l’industrie automobile réalise une grande quantité de soudure par point des châssis, mais elle achète et monte d’autres pièces comme les roulements et les composants plastiques.
S’agissant des pièces elles-mêmes, la tendance émergente est d’utiliser des composants intelligents : des pièces dotées de capteurs intégrés qui surveillent notamment leur état, la contrainte et le couple. Étant donné que ces facteurs dépendent davantage de la façon dont on conduit la voiture plutôt que de son kilométrage, cette idée ne fait cependant pas l’unanimité au sein de l’industrie automobile. En roulant sur un grand nombre de nids-de-poule tous les jours, votre voiture nécessitera sans doute davantage d’entretien.
Par ailleurs, les composants intelligents sont capables de vous dire s’ils ont atteint leur fin de vie ou s’ils doivent être inspectés. Plutôt que de surveiller ces points de données de façon externe, les pièces elles-mêmes vont se connecter aux systèmes d’IA pour signaler tout état normal jusqu’à ce que les conditions changent et que la pièce ait besoin d’être révisée. Cette approche diminue ainsi le volume de trafic de données au sein du système, qui à grande échelle, diminue sérieusement l’efficacité du processus analytique.
Somme toute, la fabrication additive est le domaine le plus important auquel l’IA peut ajouter une valeur significative. Du fait de la nature plus coûteuse des produits et de ses volumes plus petits, les processus additifs sont des cibles évidentes. Et à l’avenir, lorsque les humains l’auront développée et perfectionnée, l’IA, s’imposera probablement sur toute la chaîne de valeur manufacturière.