Maintenance prédictive et prévision des révolutions industrielles

Dans quelle mesure l'intelligence artificielle est-elle transformationnelle ? Cette question apparemment simple peut être difficile à répondre.

Tout d'abord, le terme a souvent un sens nébuleux. Souvent, le terme est un raccourci pour « intelligence générale artificielle » ou « IA forte ». Dans cette construction théorique, l'intelligence non organique a la capacité de raisonner et d'effectuer un éventail de tâches. C'est aussi ce genre d'IA auquel Hollywood a fait référence dans des films comme "The Terminator", ainsi que la variété qui suscite des peurs dystopiques chez Elon Musk et Bill Gates. Mais il est impossible de répondre à la question de savoir quand une telle forme d'IA existera. Gartner explique qu'il faudra probablement des décennies avant que les chercheurs ne créent des machines capables de se rapprocher du raisonnement humain, même si les machines entraînées à des tâches étroites peuvent surpasser les humains dans les jeux intellectuels tels que les échecs et, plus récemment, le Go. Martin Ford, auteur de "Architects of Intelligence :La vérité sur l'IA des personnes qui la construisent", a déclaré que la plupart des experts pensent qu'une IA forte est une chose décidément imprévisible.

Il en va de même, semble-t-il, des révolutions industrielles. Alors que des concepts tels que l'Industrie 4.0 suggèrent largement que la convergence de l'IA, de l'IIoT et d'autres technologies pourrait fomenter la prochaine révolution industrielle, la productivité dans les pays occidentaux est au ralenti depuis des décennies. La production industrielle américaine pour les usines, les mines et les services publics a baissé de 0,1% en mars, ce qui, comme l'a dit le WSJ, "renforce l'idée que la fabrication a atteint une phase molle".

Mais tandis que le macrocosme industriel, mesuré par divers indices de productivité, avance, un nombre croissant de réussites émergent d'entreprises industrielles adoptant les technologies IIoT en tandem avec l'apprentissage automatique. La startup FogHorn, par exemple, a aidé la société japonaise d'électronique industrielle Daihen à éliminer 1 800 heures de saisie manuelle de données dans une seule usine. Et une grande entreprise de boissons a économisé l'équivalent d'un million de canettes de bière grâce à la maintenance prédictive d'un seul coup. La société a installé la technologie de surveillance des machines de la société Augury, qui associe des capteurs de vibrations, d'ultrasons, de température et magnétiques sans fil à l'apprentissage automatique pour détecter les problèmes de machine pour une gamme de machines industrielles, y compris celles utilisées par les brasseries. "Et nous avons détecté une usure importante des roulements sur une remplisseuse - la machine qui remplit les canettes de bière", a déclaré Saar Yoskovitz, co-fondateur et PDG d'Augury. « La découverte a permis à la brasserie de résoudre le problème pendant les temps d'arrêt planifiés. "Parce qu'il s'agit d'une installation 24h/24, 7j/7, ils n'ont pas de place pour des temps d'arrêt imprévus", a déclaré Yoskovitz. Mais le problème de roulement pourrait avoir finalement déclenché une panne qui a entraîné huit heures de perte de productivité. "Cela se traduit par 1 million de canettes de bière et 200 000 $ de revenus", a ajouté Yoskovitz.

Alizent, la filiale digitale d'Air Liquide, est un autre exemple de la puissance des technologies de l'Industrie 4.0. Intégrant la technologie d'OSIsoft, Air Liquide a créé il y a quelques années une plateforme d'optimisation d'usine appelée SIO. Le logiciel PI d'OSIsoft sert de moteur de données intégré pour la plate-forme, ce qui permet la collecte et l'affinement des données pour l'analyse. "Air a obtenu un retour sur investissement en trois mois avec le SIO et un retour sur investissement 10 fois supérieur la première année", a écrit Michael Kanellos,

Analyste IoT et responsable senior des communications d'entreprise chez OSIsoft dans un e-mail. "Ils ont ensuite déménagé pour l'utiliser pour gérer les usines de manière allégée (c'est-à-dire sans employés) en France et en Asie du Sud-Est." Suite à cela, Air Liquide a décidé de scinder le groupe numérique dans l'unité Alizent pour servir à la fois Air Liquide ainsi que d'autres sociétés.

Un autre exemple d'entreprise avec un retour sur investissement rapide de la transformation numérique est White House Utility District. L'un des principaux services publics d'approvisionnement en eau et d'égouts du Tennessee, l'organisation a réduit les fuites d'eau d'environ 32 % à 15 %. Les économies d'eau ont également entraîné des millions de dollars d'économies. "Mais ils ont également réduit la gestion des données, économisant 30 000 $ par an", a déclaré Kanellos. « Ils ont reporté de 11 ans une nouvelle usine de 15 millions de dollars. La réputation de la communauté a augmenté. Les agences de notation ont même augmenté leur notation."

Mark Willnerd, PDG et président de la société d'apprentissage automatique industriel Toumetis, prévoit une augmentation de la productivité industrielle au cours des cinq prochaines années. "Grâce à des technologies comme l'apprentissage automatique, nous allons voir une grande amélioration", a-t-il déclaré. "[Nous pourrions voir un retour de] gains de productivité de type années 90", a ajouté Willnerd, faisant référence à la décennie liée à une augmentation rapide de la production.

Toumetis travaille avec une société d'énergie avec un champ pétrolifère qui, selon Willnerd, pourrait un jour être l'un des principaux sites de production au monde. Un facteur entravant la productivité du site est le manque de fiabilité des pompes électriques submersibles, ce qui peut mettre un puits hors de production. Mais si les experts en la matière qui surveillent l'équipement de l'entreprise supervisent 1 500 puits et 100 signaux de données différents, ils peuvent facilement manquer des données indiquant une défaillance imminente de la pompe. "Ils ne savent pas quels puits vont échouer quand", a déclaré Willnerd. "Mais si je peux prédire lesquels vont tomber en panne dans une fenêtre de 14 jours, je peux planifier des réparations pour maximiser les profits et la production."

Mais le processus d'application de l'apprentissage automatique - ou son application à la maintenance prédictive - dans le domaine industriel est rarement simple. « Les données peuvent être incohérentes. Vous pourriez avoir de fausses lectures des capteurs. Vous pourriez avoir des données manquantes », a ajouté Willnerd. "Et il faut simplement nettoyer les données avant de pouvoir les analyser."

Willnerd suppose que nous n'en sommes encore qu'aux balbutiements de l'application de l'apprentissage automatique aux applications industrielles.

Une étude de Bain &Co. intitulée « Beyond Proofs of Concept :Scaling the Industrial IoT » parvient à des conclusions similaires après avoir interrogé 600 dirigeants de haute technologie. L'IIoT en général et la maintenance prédictive, en particulier, sont souvent plus difficiles à déployer que prévu, tout comme la perspective d'extraire des « informations précieuses à partir des données » des projets IIoT. Le rapport conclut plus tard, cependant, que « l'IoT industriel reste une opportunité prometteuse ».

L'un des principaux défis est que donner un sens à ces données nécessite également un rare mélange d'expertise dans le domaine et de connaissances en science des données. Pour aider à combler l'écart, Toumetis a engagé des experts industriels qui travaillent sur l'analyse de données depuis la fin des années 1990 et le début des années 2000. "C'est toujours une forme d'art", a déclaré Willnerd. « Vous devez clairement comprendre quel problème vous essayez de résoudre et quelle est la valeur commerciale qui y est associée. »

Yoskovitz a une opinion similaire. Après avoir visité un éventail d'installations industrielles à travers les États-Unis, il est arrivé à la conclusion que l'un des défis les plus courants était de trouver des talents. Bien que l'on ait beaucoup parlé de la difficulté de trouver un expert, par exemple, en cybersécurité industrielle ou en science des données industrielles, le problème est plus vaste. « Une fois, je suis allé dans une salle pour suivre une formation dans les installations de nos clients. L'âge moyen était de 55 ans », se souvient Yoskovitz. « Nous avions là-bas des gens qui étaient sur le point de prendre leur retraite et les nouveaux arrivants qui avaient la vingtaine. Et vous avez 30 bonnes années entre eux. »

Une grande partie de l'expérience de fabrication héritée aux États-Unis disparaîtra à mesure que les employés industriels âgés prendront leur retraite au cours des cinq à dix prochaines années. Pendant ce temps, les emplois industriels sont en bas de la liste pour les jeunes employés. "Presque personne de la génération Y ou de la génération Z ne veut devenir technicien de maintenance", a déclaré Yoskovitz.

Ainsi, même s'il est peut-être trop tôt pour dire si des technologies étendues comme l'IoT et l'IA créeront une ère de productivité rivalisant avec les premières révolutions industrielles, ou si l'Industrie 4.0 ressemblera davantage à une révision logicielle. qu'une révolution basée sur le système cyberphysique. Pour l'instant, c'est une question plus pratique de se demander comment ces technologies peuvent répondre à leurs besoins les plus urgents :amener les bonnes personnes (techniciens) au bon endroit (une machine potentiellement défaillante) au bon moment (avant que la machine ne tombe en panne).