TIBCO sur la fabrication dans la nouvelle économie des anomalies

Le directeur de la stratégie de numérisation de TIBCO, Alessandro Chimera, discute de la façon dont les fabricants utiliser les données, l'IA et l'automatisation pour surveiller les systèmes

La façon dont nous utilisons les données pour surveiller et contrôler les systèmes de fabrication a changé. TIBCO directeur de la stratégie de numérisation Alessandro Chimera met sa combinaison électronique et recharge son pistolet à graisse numérique pour expliquer la forme de l'économie des anomalies guidant la gestion des performances opérationnelles et discute de tout, des jumeaux numériques à l'IA, de l'automatisation à la surveillance humaine.

Certaines parties de l'industrie manufacturière existent toujours comme au tournant des années 1900. Nous avons encore besoin de la graisse, des engrenages et des rectifieuses en plus des combinaisons et des pauses thé. Ces principes fondamentaux se répandront probablement loin dans l'avenir autonome automatisé, car les humains joueront toujours un rôle dans le récit fondamental plus large qui gère toute usine de fabrication.

Mais, bien sûr, nous savons que la fabrication a changé. Tout au long des première, deuxième et maintenant troisième révolutions industrielles, nous avons vu l'accélération à vapeur, la mécanisation et maintenant l'automatisation pilotée par l'informatique appliquée aux opérations de fabrication d'une manière que nos prédécesseurs n'auraient jamais imaginée possible.

Alors que nous entrons dans l'usine de fabrication hyper-contrôlée de demain avec des jumeaux numériques et des données rejoignant désormais nos machines physiques et nos travailleurs humains, nous devons nous demander comment nous allons aborder la détection des anomalies. Il est assez facile de repérer une baisse ou un pic sur un graphique qui signale une mesure significative, mais que faire lorsqu'il y a une lente dégradation de la qualité ou des performances qui se produit sur un mois, voire plus ?

Supervision humaine aveugle

Les installations de fabrication modernes fonctionnent désormais à une échelle de production de masse qui dépasse la capacité d'une seule personne (ou même d'un groupe) à être à chaque point de l'usine à la fois. Dans ces environnements, nous ne pouvons pas faire confiance à l'observation humaine pour nous fournir l'image complète dont nous avons besoin. Dans les installations modernes d'aujourd'hui, il y a rarement une seule variable à suivre, il s'agit plutôt de centaines ou de milliers de variables.

Si une anomalie de production « s'insinue » lentement dans nos opérations, elle peut passer inaperçue jusqu'à ce qu'il soit trop tard et que nous ne puissions rien y faire. Nous devons parler de nouvelles façons de travailler.

Une aiguille dans une botte de foin de données de fabrication

Nous savons que les ensembles de données industrielles sont très volumineux et extrêmement complexes. Détecter et prédire les anomalies est donc plus difficile que de chercher une aiguille dans une botte de foin car nous ne savons souvent pas ce que nous recherchons. Mais, détecter une anomalie signifie des économies, qui se traduisent à leur tour par des rendements de production plus élevés, à la fois immédiatement et ultérieurement.

De nombreux fabricants savent qu'ils disposent d'ensembles de données volumineux, mais trop souvent, ces magasins de données sont cloisonnés et dispersés sur plusieurs systèmes. Cette dispersion et divergence des données rend difficile de comprendre quand une anomalie est liée à plusieurs systèmes de données, ou liée à différentes phases de production physique. En effet, il est parfois nécessaire de récupérer des données de produits déjà sur le marché qui ont présenté des problèmes de fonctionnement ou de fonctionnalité. Dans tous les cas, la première étape consiste à unifier toutes vos sources de données.

Aujourd'hui, nous travaillons dans un monde où l'analyse devient un élément fondamental des usines modernes ; une tendance soulignée par le développement des jumeaux numériques, où nous devons appliquer des analyses précises, rapides et intelligentes pour obtenir les informations prédictives que ces machines virtuelles peuvent fournir.

Une fois que les données sont disponibles et accessibles, des analyses avancées sont là pour commencer à analyser ce qu'il faut rechercher. Les techniques modernes de science des données nous aident à découvrir des anomalies cachées qui ne sont pas immédiatement comprises en raison du nombre énorme de paramètres qui peuvent influencer la qualité des produits.

Anomalies d'apprentissage automatique et d'intelligence artificielle

Cela nous amène à aujourd'hui. Nous sommes maintenant à un point où l'apprentissage automatique (ML) et l'intelligence artificielle (IA) font également leur entrée dans le processus de production.

Certains fabricants ont initialement utilisé le ML pour comprendre leurs initiatives marketing, segmenter les clients et déclencher des actions spécifiques. Mais ces dernières années, les fabricants les plus progressistes et les plus avancés ont commencé à comprendre l'avantage d'utiliser des techniques d'apprentissage automatique et d'intelligence artificielle pour détecter les anomalies.

Un exemple est l'utilisation d'auto-encodeurs pour apprendre à partir des données. Un auto-encodeur est une technique d'intelligence de réseau neuronal artificiel utilisée en ML. Il est utilisé pour coder et apprendre des fonctionnalités à partir d'ensembles de données non étiquetés dans ce que nous appelons communément l'apprentissage non supervisé.

Notre avenir de fabrication efficace en temps réel

En appliquant des modèles statistiques formés à des données en temps réel, il est possible de prédire quand une anomalie se produira. Cela nous amène à un nouveau point d'opérations efficaces. Tout cela nous amène au point où nous pouvons désormais passer de la réaction à une anomalie à la prédiction de l'anomalie avec l'avantage de réaliser des réductions substantielles des coûts opérationnels. Nous réduisons les coûts grâce à la réduction des taux de défauts et de rebuts et à la prévention des temps d'arrêt imprévus de l'équipement.

Hemlock Semiconductor (HSC) est l'un des principaux fabricants qui utilise des solutions de contrôle de processus, de maintenance prédictive et de détection d'anomalies pour rationaliser et contrôler sa fabrication de semi-conducteurs.

En introduisant des alertes en temps quasi réel pour les processus de fabrication individuels, les employés peuvent désormais comparer automatiquement les paramètres clés par rapport à des seuils prédéfinis, des règles statistiques et des modèles optimaux découverts grâce aux méthodes d'apprentissage automatique et d'IA. HSC reçoit des alertes générées automatiquement dès qu'un processus tombe en dehors des plages de paramètres acceptables, informant le personnel de fabrication que quelque chose requiert leur attention. Le personnel peut alors accéder facilement aux données pour voir précisément quelle variable peut avoir causé le problème. Une fois ces relations de cause à effet identifiées, les équipes prennent des mesures pour éviter que les défauts de processus ne se reproduisent.

Tous ces progrès nous conduisent finalement à notre avenir et à l'avenir de notre planète. À mesure que l'utilisation des jumeaux numériques se développe parallèlement à l'application de l'analyse de données et du ML, chaque fabricant devient une usine axée sur les données, axée sur une détection d'anomalies de plus en plus précise. À ce stade, les fabricants peuvent travailler plus intensément avec une consommation d'énergie optimisée pour le bien de nous tous.

La productivité des usines sera toujours au cœur des préoccupations et comme l'avenir est indéniablement axé sur les données, c'est une voie que nous devons logiquement emprunter. En conséquence, nous pourrons mettre sur le marché des produits qui offrent non seulement de meilleures performances, mais qui fonctionnent également mieux et durent plus longtemps. Quel impact cela a-t-il sur le marché des produits jetables bon marché - où la qualité est réglée pour "expirer" après une période donnée - est une autre question pour un autre jour.

La façon dont nous fabriquons des biens et des services associés peut désormais être améliorée grâce à la détection des anomalies et à la puissance moteur correspondante obtenue grâce à l'analyse et à l'intelligence des données. Si ce n'est pas une excuse pour enlever notre salopette et s'asseoir pour une pause thé, alors rien ne l'est.