Digitalisation L'intelligence artificielle pour l'industrie

Related Vendors

Kubo Tech AG

Trafag AG

FACTUREE - Der Online-Fertiger

Lors du TWS 2024, le groupe d'experts « Horlogerie » de la SAQ (Swiss Association for Quality) a organisé un après-midi de conférences exposant quelques applications et avantages de l'utilisation de l'intelligence artificielle dans l'industrie, horlogère tout d'abord, mais finalement, l'industrie dans son ensemble. Résumé.

Parler d'intelligence artificielle, c'est tout d'abord parler de données. Pas de données, pas d'intelligence artificielle. Cependant, disposer de données, c'est une chose, mais encore faut-il savoir comment s'en servir, c'est-à-dire les traiter et les combiner pour obtenir les résultats recherchés.

On entend toujours qu'il faut beaucoup de données pour pouvoir se servir de l'intelligence artificielle. Mais qu'en est-il vraiment ? Même s'il est vrai que, de manière générale, plus les données sont nombreuses et plus les tendances sont proches de la réalité et le modèle est précis, en réalité, tout dépend de l'application que l'on veut en faire et de la complexité du problème. Plus l'application est complexe, plus il faudra de données. Alors dans un premier temps, imaginer l'implémentation de l'intelligence artificielle nécessite donc de faire un état des lieux : quelle est la problématique exacte, quel est son niveau de complexité, quelles sont les données disponibles ou potentiellement récupérables, et sont-elles suffisantes ?

Galerie d'images

Que peut-on faire avec l'IA dans l'industrie ?

En théorie, le champ d'application de l'intelligence artificielle dans l'industrie est infini. Car après ce à quoi nous pensons et dont nous avons besoin aujourd'hui, il y aura ce à quoi nous pensons et dont nous aurons besoin demain.

L'une des applications à laquelle on pense assez rapidement est l'utilisation de l'intelligence artificielle pour des tâches de prédiction, en particulier la maintenance prédictive, qui s'avère particulièrement intéressante dans l'industrie. En effet, ce processus permet de réduire les temps d'arrêt et par conséquent d'augmenter la productivité d'une entreprise. Autre application : la gestion de stock, tant vis-à-vis des quantités que de potentielles dates de péremptions, avec alertes et gestion automatique de commandes par exemple.

Lors du TWS, deux autres applications ont été détaillées : l'optimisation de procédé de production et l'amélioration du contrôle qualité grâce à la vision industrielle.

Optimisation de la gestion des procédés d'usinage

Le but de toute entreprise de fabrication est d'obtenir en sortie d'usinage la pièce souhaitée par le client. Pour cela il faut donc maîtriser au mieux son procédé d'usinage pour obtenir des pièces répondant aux tolérances et éviter au maximum les rebuts. L'opérateur machine doit donc régler sa machine en ce sens. En ajustant les paramètres d'usinage de manière adéquate, et en les corrigeant si besoin, l'opérateur assurera ainsi la conformité des pièces en sortie.

Piloter correctement un procédé industriel, c'est donc tout d'abord savoir ce que l'on cherche à obtenir en sortie. Maîtriser un procédé de manière automatisée revient ensuite à trouver la fonction mathématique qui relie les résultats attendus en sortie avec les paramètres d'entrée. La complexité de cette fonction sera alors directement liée à la complexité du procédé à piloter.

Dans tout procédé, il existe trois types de paramètres d'entrée : les paramètres initiaux, les paramètres de pilotage (c'est-à-dire ceux que l'on peut ajuster), et le bruit.

Davy Pillet, CEO de l'entreprise Ellistat, a particulièrement bien vulgarisé le problème de la maîtrise des procédés avec un exemple du quotidien : la chauffe de biberon. Le but : obtenir la bonne température, ni trop chaud, ni trop froid, du contenu du biberon. La température du lait avant la chauffe est typiquement un paramètre initial tout comme le volume de liquide à faire chauffer. Le temps et la puissance de chauffe sont quant à eux des paramètres de pilotage. Et le bruit, c'est-à-dire la variabilité non-maîtrisée, sera par exemple la fluctuation de la tension électrique du réseau.

L'IA pour piloter les processus d'usinage

De nos jours, l'intelligence artificielle permet de piloter des procédés avec des fonctions particulièrement complexes et ayant de nombreux paramètres. Pour comparaison, ChatGPT-4 est une fonction qui a été entraîné sur environ 175 milliards de paramètres. C'est dire.

Plus la fonction est complexe, plus il faut de données pour l'entraîner. Or l'avantage de l'industrie, et en particulier de l'usinage, c'est la facilité d'accès aux données. En effet, il suffit d'équiper toutes les machines de l'atelier des capteurs adéquats pour réunir une base données importante en peu de temps. Travailler avec l'intelligence artificielle fait donc sens dans l'usinage.

Mais il ne suffit pas d'enregistrer des données à tort et à travers. Il est important de récupérer les bonnes données, celles qui sont pertinentes pour la problématique que l'on souhaite résoudre. Sans quoi, le modèle ou la fonction ne donnera pas les résultats attendus.

Exhaustivité des données et caractérisation du bruit

La pertinence des données collectées est donc cruciale pour la réussite de l'intelligence artificielle. Or, il peut s'avérer difficile d'avoir une base de données exhaustives. Il faut donc bien analyser au départ les paramètres à mesurer, afin d'être sûr de ne pas passer à côté d'un paramètre influent.

En outre, une variabilité trop importante ne permettra pas non plus à l'intelligence artificielle de fonctionner correctement. Il est important de définir et connaître le mieux possible le bruit de son système. Autre avantage de l'usinage : la capabilité d'une machine est connue. La capabilité permet de rendre compte de la capacité d'une machine à réaliser des pièces dans l'intervalle de tolérance souhaité. Ainsi, le bruit (ou la variabilité) est bien connu et bien maîtrisé.

Automated Process Control (APC)

Le contrôle automatisé de procédé, ou APC pour Automatic Process Control, utilise l'intelligence artificielle en usinage pour corriger automatiquement les paramètres d'usinage pour obtenir des pièces conformes en sortie machine.

Dans un cas typique de maîtrise des procédés, on se base sur des limites à ± 3 sigmas avant d'implémenter des corrections. Tant que la mesure donne un résultat se situant à l'intérieur de ces limites, aucune correction n'est mise en place. Pourquoi ? Parce que si on corrige tout le temps, on entre dans un processus de sur-correction qui risque d'entraîner des erreurs plus importantes que si on ne corrigeait pas. En conclusion, cela signifie qu'un léger décentrage est accepté. L'intelligence artificielle, en se basant sur différentes données, va permettre de prédire précisément le centre de la gaussienne qui correspond à la valeur voulue, et va implémenter une correction bien plus précise que l'humain, permettant de réduire fortement les taux de rebut.

Gestion des changements de série

L'autre problématique auquel se heurtent certaines industries comme l'horlogerie, ce sont les changements fréquents de série, liés entre autres au développement de nouveaux produits. Or, qui dit nouveau produit, dit nouvel apprentissage pour l'intelligence artificielle.

La première pièce d'une série est un vrai défi pour l'IA. Davy Pillet explique donc que chez Ellistat, la gestion de changement de série ne se fait pas avec l'IA : en effet, le premier modèle d'optimisation est créé non pas en apprenant à partir des données machines mais à partir des données CAO/FAO, en utilisant à la fois des cotes et des nuages de points. Ce premier modèle sera ensuite automatiquement amélioré grâce à l'IA à chaque nouvelle pièce, ce qui permet de gérer les petites séries et les changements de série fréquents.

Des exemples concrets

Deux exemples ont été donnés par Davy Pillet. Le premier concerne une série de pièces très simples, avec moins de 10 caractéristiques, et pour lesquelles le processus était déjà bien maîtrisé par les régleurs et les taux de rebut était déjà particulièrement bas, en-dessous de 5 %. L'utilisation de l'intelligence artificielle a réduit ce taux à quasiment zéro. Ce qui signifie que même sur des pièces simple, l'APC apporte donc une grande valeur ajoutée. En effet, la réduction du taux de rebut est un gage de qualité de fabrication pour les clients, proférant alors un fort avantage concurrentiel aux fabricants.

Second exemple dans l'industrie horlogère, sur de la très petite série de cadrans de montres squelettes, donc des pièces très complexes avec de nombreuses caractéristiques et un risque important de déformation de la pièce pendant l'usinage. Dans ce cas, c'est le temps de réglage qui a fortement diminué, avec un gain de temps de 75 %, soit environ 20 000 CHF par an par machine.

L'assurance qualité boostée par l'intelligence artificielle

Une autre application de l'IA dans l'industrie concerne la vision industrielle et le contrôle qualité.

Criva est un logiciel de traitement d'image utilisant l'intelligence artificielle pour effectuer des tâches d'inspection visuelle complexes. Le logiciel permet de détecter précisément des anomalies sur des pièces à la géométrie complexe et aux finitions de surface irrégulières ou uniques.

La maison mère de Criva, Inait, est spécialisée dans le développement de modèles d'intelligence artificielle basés sur les dernières avancées en neurosciences. Les connaissances les plus récentes sur le fonctionnement du cerveau humain sont utilisées pour améliorer les algorithmes. « Pour rester compétitifs dans le domaine de l'intelligence artificielle, travailler en étant au fait des dernières avancées scientifiques dans le domaine des neurosciences est impératif », précise Fabian Angstmann, co-CEO et cofondateur de Criva AG. Ce dernier précise également que même si certains modules logiciel peuvent être utilisés indépendamment du domaine d'application, les logiciels dotés d'intelligence artificielle doivent être développés en tenant compte des besoins spécifiques à chaque industrie pour que les résultats et les bénéfices de l'utilisation de l'IA soient probants.

Le contrôle en pratique

Mais alors comment marche ce logiciel et qu'apporte-il comme avantages réels à ses utilisateurs ? Pour entraîner le logiciel, et créer un nouveau modèle de contrôle, pas besoin d'être un spécialiste en IA ou en sciences des données. L'expérience en contrôle-qualité est néanmoins requise pour pouvoir juger correctement les résultats. Tout commence par la prise d'image de pièces contrôlées et acceptées par le visitage. Ces pièces sont prises en photo sous différents angles, à la main ou par exemple avec l'aide d'un cobot. Le nombre d'images et les angles de prise de vue sont définis en fonction de la complexité de chaque pièce. Ces images s'affichent au centre de l'interface utilisateur du logiciel pour être évaluées par le collaborateur qui doit créer le modèle de contrôle. Quelques pièces possédant des défauts sont ensuite imagées également et annotées comme défectueuses pour consolider ce modèle.

Grâce à l'intelligence artificielle, ces images sont ensuite rapidement analysées pour créer un modèle de référence. Une centaine de pièces répondant aux tolérances suffisent pour créer un modèle solide et fiable permettant de détecter toute anomalie suivant une échelle définie d'évaluation des défauts. On parle de modèle non-supervisé, à l'inverse d'un modèle supervisé qui serait basé sur une base de données de défauts à rechercher. Le gros désavantage d'un modèle supervisé réside dans le fait qu'un défaut non-répertorié ne sera pas signalé pour un contrôle manuel, posant le risque qu'une pièce non-conforme soit livrée au client. Au-delà du gain de temps au niveau du contrôle-qualité, l'utilisation d'un logiciel de ce type permet d'assurer au client une homogénéité des résultats grâce à la standardisation du contrôle. Bien évidemment, la qualité des données utilisées pour créer le modèle est primordiale, sans quoi le modèle ne pourra pas fournir les résultats escomptés.

Spécificités du secteur horloger

En se penchant sur les besoins de l'industrie horlogère, deux points ressortent tout particulièrement : tout d'abord, le nombre important de références de pièces, ainsi que le fait que les volumes sont, tout particulièrement dans l'horlogerie haut de gamme, relativement petits. Il est donc important que le software d'analyse par intelligence artificielle soit capable d'apprendre rapidement et facilement une nouvelle tâche. Par ailleurs, l'utilisateur doit avoir l'opportunité de réaliser lui-même cet apprentissage pour ne pas être dépendant de l'intervention extérieure régulière de la société ayant développé le logiciel.

Le deuxième point important est lié aux pièces elles-mêmes : de petites tailles et avec des décorations parfois complexes. La recherche d'une micro-rayure sur une décoration de type Côtes de Genève par exemple, qui est une tâche déjà compliquée pour un œil humain entraîné, n'est pas chose facile pour l'intelligence artificielle.

L'IA va-t-elle remplacer le visitage ?

Remplacer le visitage grâce à l'intelligence artificielle n'est a priori pas le but. Comme le précise Fabian Angstmann : « Le but est de faciliter et d'optimiser le travail du visiteur et la satisfaction client. L'intelligence artificielle soutient l'humain dans ses tâches. En particulier dans le cas du visitage et contrairement à d'autres industries, un collaborateur expérimenté apportera toujours une grande valeur sur l'analyse des pièces qui peuvent poser un problème à l'IA. »

Grâce aux résultats du contrôle automatisé des pièces, le visiteur va pouvoir focaliser son attention sur les pièces qui la nécessite et inspecter seulement les quelques pièces recalées par l'intelligence artificielle. En définitive, le visiteur a le dernier mot.

Mais les visiteurs ne courent pas les rues, et l'utilisation d'une solution logicielle de ce type permet aussi de réduire la pression sur les équipes déjà en place, et sur l'entreprise en recherche de collaborateurs spécialisés.

Par ailleurs, la détection automatisée de défauts peut permettre de réagir plus rapidement en cas de problème dans le processus de production, et réduire ainsi le taux de rebut.

Peut-on tout faire avec l'intelligence artificielle ?

Pour certains, considérer l'implémentation de l'IA est synonyme de nœuds au cerveau. Or il existe des solutions relativement simples qui engendrent des gains conséquents. Néanmoins, bien qu'apportant des avantages certains, les systèmes dotés d'intelligence artificielle ont tout de même leurs limites.

Il y a bien entendu la qualité et l'exhaustivité des données. Si les données pertinentes ne sont pas disponibles, l'IA ne pourra pas résoudre les problématiques visées. En ce qui concerne les systèmes de vision, la qualité des images est primordiale, mais la possibilité de faux négatifs ou de faux positifs n'est jamais nulle. En outre, avec le logiciel Criva par exemple, l'utilisateur se heurte également à une limite dimensionnelle : le système fonctionne très bien, mais uniquement sur des pièces de faible épaisseur, ce qu'on peut appeler en 2,5D.

Quid de demain ?

La problématique du développement de l'utilisation de l'intelligence artificielle ne réside pas dans les progrès technologiques mais plus dans la législation. Alors comment se développeront l'IA et ses applications dans les prochaines années ? À voir. Il faut en tous cas être attentifs à ce que les pays du continent européen ne se laissent pas devancer par d'autres pays du globe, comme la Chine et l'Inde qui sont très avancées en la matière. Quoi qu'il en soit, les possibilités d'applications industrielles de l'intelligence artificielle sont nombreuses et offriront dans les années à venir des avantages concurrentiels indéniables à ceux qui les auront adoptées.

MSM

(ID:50235256)