Comment l'apprentissage automatique transforme la production industrielle

Selon Wikipedia, l'apprentissage automatique "est l'étude scientifique des algorithmes et des modèles statistiques que les systèmes informatiques utilisent pour effectuer un tâche spécifique efficacement sans utiliser d'instructions explicites, en s'appuyant plutôt sur des modèles et des inférences. Elle est considérée comme un sous-ensemble de l'intelligence artificielle. »

L'apprentissage automatique n'est pas un appareil que vous pouvez brancher sur une ligne de production et faire fonctionner la ligne mieux qu'avant. Il s'agit d'un processus qui nécessite les entrées de nombreux appareils pour lui fournir des données afin que les données puissent être collectées, évaluées et utilisées pour développer des connaissances sur le fonctionnement de la chaîne de production.

Cette connaissance peut ensuite être utilisée pour déterminer comment la ligne de production peut avoir un débit plus élevé, fonctionner à moindre coût et fonctionner de manière plus fiable. De cette façon, l'apprentissage automatique transforme une opération industrielle en un système de systèmes qui peut commercialiser les produits plus rapidement à moindre coût, afin que l'entreprise puisse rester compétitive et satisfaire ses clients.

Apprentissage automatique basé sur les processus

Ajoutons un modificateur à l'idée de l'apprentissage automatique et appelons-le « basé sur les processus ». Cela nous permet d'entrer dans le vif du sujet en identifiant la technologie industrielle qui a dû être créée ou modifiée en raison de la volonté d'utiliser des algorithmes informatiques pour permettre l'ère de la fabrication intelligente.

L'apprentissage automatique utilise des données d'entraînement pour enseigner à son algorithme informatique à quoi s'attendre des machines de production qu'il surveille pour obtenir ces données.

Il doit s'appuyer sur la reconnaissance de formes et l'inférence pour développer la capacité de l'algorithme à prendre des décisions et des prédictions sans avoir à écrire du code à programmer explicitement pour effectuer cette tâche. Les données d'entraînement sont collectées, traitées et évaluées dans une séquence structurée d'étapes pour préparer les données à être utilisées dans l'algorithme d'apprentissage automatique.

Cette séquence structurée d'étapes est un processus, et la création de ce processus introduit de nouvelles technologies sous la forme d'appareils pour créer les données, de réseaux pour stocker et traiter les données, et d'ordinateurs pour traiter et nettoyer les données pour en assurer l'exactitude et la pertinence.

C'est un système représenté par l'image ci-dessus. Plus important encore, ce diagramme est un système de systèmes (SoSe) en raison de la complexité croissante de son fonctionnement. Nous verrons bientôt ce que cette technologie signifie pour l'apprentissage automatique.

Applications et transformations industrielles attribuées à l'apprentissage automatique

La liste des nouvelles technologies pouvant être attribuées à l'apprentissage automatique est exhaustive et ne peut être couverte dans son intégralité dans cet article. Par conséquent, je discuterai des problèmes de niveau supérieur qui sont plus facilement identifiables.

Maintenance prédictive

La possibilité de prévoir à l'avance les perturbations d'une ligne de production peut être inestimable pour les fabricants. Il permet au gestionnaire de planifier les temps d'arrêt au moment le plus avantageux et d'éliminer les temps d'arrêt imprévus. Les temps d'arrêt imprévus affectent durement la marge bénéficiaire et peuvent entraîner la perte de votre clientèle. Cela perturbe également la chaîne d'approvisionnement, provoquant le stockage de stocks excédentaires.

La nécessité d'apporter de la main-d'œuvre supplémentaire peut également coûter beaucoup d'argent. Une étude récente a prédit que l'adoption de l'apprentissage automatique pour permettre la maintenance prédictive devrait augmenter de 38 % chez les fabricants en raison de sa capacité à améliorer la marge bénéficiaire en éliminant les arrêts de travail imprévus.

Convergence IT/OT et sécurité du réseau

Le développement de l'apprentissage automatique entraînera également de nombreuses modifications du modèle commercial dans les procédures d'exploitation standard d'un fabricant. Cela est particulièrement vrai dans la composition organisationnelle d'une entreprise. Le réseau informatique, qui est le lieu sacré du département des technologies de l'information (IT), doit être colocalisé avec les capteurs opérationnels sur les machines de production afin que les données puissent être collectées et envoyées à l'entrepôt de données en tant que données de formation à des fins d'apprentissage automatique.

Il faudra probablement abattre le mur du silence qui sépare les deux groupes en interne pour permettre la collaboration et la coopération. Après tout, les opérateurs et techniciens d'étage seront considérablement touchés si le réseau n'est pas fiable ou est piraté, ce qui peut entraîner l'arrêt de la production. Les capteurs et appareils de la technologie opérationnelle (OT) seront affectés autant que le réseau informatique et les ordinateurs.

Développement de jumeaux numériques

L'objectif ultime de l'intelligence artificielle et de l'apprentissage automatique est de permettre le développement d'un jumeau numérique de l'atelier de production. La création d'un jumeau numérique doit avoir lieu dans le cadre d'un processus d'ingénierie des systèmes basé sur un modèle utilisant des algorithmes d'apprentissage automatique et les connaissances acquises comme base.

Le jumeau numérique peut servir de plate-forme pour exécuter des scénarios de simulation pour apprendre ce que nous ne savons pas aujourd'hui. Il peut également être utilisé comme modèle pour concevoir des pièces à plus haute fiabilité et ajuster les interactions entre les machines des lignes de production afin d'améliorer les performances. Les possibilités sont infinies.

À propos de l'auteur

Joseph Zulick est rédacteur et directeur chez MRO Electric and Supply .