TIBCO explore l'innovation manufacturière dans l'économie de l'anomalie

La façon dont nous utilisons les données pour monitorer et contrôler les systèmes manufacturiers a changé. TIBCO son directeur de stratégie de digitalisation Alessandro Chimera enfile sa combinaison électronique et recharge son pistolet à graisse numérique pour expliquer la forme de l'économie de l'anomalie guidant la gestion de la performance opérationnelle et discuter de tout, des jumeaux numériques à l'IA, de l'automatisation à la supervision humaine.

Certaines parties de l'industrie manufacturière existent encore comme au tournant des années 1900. Nous avons toujours besoin de graisse, engrenages et machines à meuler aux côtés des combinaisons et pauses thé. Ces fondamentaux perdureront probablement loin dans le futur automatisé autonome car les humains joueront toujours un rôle dans le récit fondationnel plus large qui opère toute installation manufacturière.

Mais, bien sûr, nous savons que la manufacturing a changé. À travers les première, deuxième et maintenant troisième révolutions industrielles, nous avons vu l'accélération vapeur, la mécanisation et maintenant l'automatisation pilotée par l'IT appliquée aux opérations manufacturières de façons que nos prédécesseurs n'auraient jamais imaginées possibles.

Alors qu'on entre dans l'installation manufacturière hyper-contrôlée de demain avec jumeaux numériques et données rejoignant nos machines physiques et travailleurs humains, nous devons nous demander comment aborder la détection d'anomalie. Il est assez facile de repérer une baisse ou un pic sur un graphique rapportant une mesure significative, mais que fait-on quand il y a une dégradation lente de la qualité ou performance qui se produit sur un mois, ou peut-être plus longtemps ?

Supervision humaine aveuglée

Les installations manufacturières modernes opèrent maintenant à une échelle de production de masse qui dépasse la capacité de n'importe quelle personne (ou même groupe) d'être à chaque point du shop floor à la fois. Dans ces environnements, on ne peut pas faire confiance à l'observation humaine pour nous fournir le tableau complet dont nous avons besoin. Dans les installations modernes d'aujourd'hui, il y a rarement une seule variable à suivre, il est plus probable qu'il y en ait des centaines ou des milliers.

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

Une aiguille dans une botte de foin de données manufacturières

Nous savons que les datasets industriels sont très larges et extrêmement complexes. Détecter et prédire les anomalies est donc plus difficile que chercher une aiguille dans une botte de foin car nous ne savons souvent pas ce que nous cherchons. Mais détecter une anomalie signifie des économies, ce qui se traduit en rendements de production plus élevés, immédiatement et plus loin dans la ligne.

Beaucoup de fabricants savent qu'ils ont des datasets massifs, mais trop souvent ces entrepôts de données sont en silos et dispersés à travers de multiples systèmes. Cette dispersion et divergence des données rend difficile de comprendre quand une anomalie est liée à de multiples systèmes de données, ou liée à différentes phases de production physiques. Parfois, il est nécessaire de récupérer des données de produits déjà sur le marché qui ont exhibé des problèmes opérationnels ou fonctionnels. Dans les deux cas, la première étape est d'unifier toutes vos sources de données.

Aujourd'hui nous travaillons dans un monde où l'analytique devient une partie fondamentale des usines modernes ; une tendance soulignée par le développement des jumeaux numériques, où nous avons besoin d'appliquer une analytique précise, rapide et intelligente pour gagner l'insight prédictif que ces machines virtuelles peuvent fournir.

Une fois les données disponibles et accessibles, l'analytique avancée est là pour commencer à analyser quoi chercher. Les techniques modernes de data science nous aident à découvrir des anomalies cachées qui ne sont pas immédiatement comprises à cause du nombre énorme de paramètres qui peuvent influencer la qualité produit.

Machine learning et IA détectent les anomalies

Cela nous amène à aujourd'hui. Nous sommes maintenant à un point où le machine learning (ML) et l'intelligence artificielle (IA) font leur chemin dans le processus de production aussi.

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

Un exemple est l'utilisation d'autoencodeurs pour apprendre des données. Un autoencodeur est une technique d'intelligence de réseau neuronal artificiel utilisée en ML. Il est utilisé pour coder et apprendre des caractéristiques depuis des datasets non étiquetés dans ce qu'on appelle communément l'apprentissage non supervisé.

Notre futur manufacturier efficient temps réel

En appliquant des modèles statistiques entraînés aux données temps réel, il est possible de prédire quand une anomalie surviendra. Cela nous mène à un nouveau point d'opérations efficaces. Tout cela nous mène au point où nous pouvons maintenant passer de la réaction à une anomalie, à la prédiction de l'anomalie avec le bénéfice d'atteindre des réductions substantielles de coûts opérationnels. Nous réduisons les coûts comme résultat direct de taux de défauts et rebuts réduits et prévention des temps d'arrêt d'équipement non planifiés.

Hemlock Semiconductor (HSC) est un fabricant leader qui utilise contrôle de process, maintenance prédictive et solutions de détection d'anomalie pour rationaliser et contrôler sa manufacturing de semi-conducteurs.

En introduisant de l'alerting quasi temps réel pour processus manufacturiers individuels, les employés peuvent maintenant automatiquement comparer paramètres clés contre seuils pré-définis, règles statistiques et patterns optimaux découverts via méthodes ML et IA. HSC reçoit des alertes automatiquement générées dès qu'un process sort des bandes de paramètres acceptables, notifiant le personnel manufacturier que quelque chose requiert leur attention. Le personnel peut alors accéder aux données pour voir précisément quelle variable a pu causer le problème. Une fois ces relations cause-effet identifiées, les équipes agissent pour prévenir la récurrence de défauts de process.

Tout ce progrès nous mène finalement à notre demain et au futur de notre planète. Alors que l'usage des jumeaux numériques s'étend en ligne avec l'application de l'analytique données et ML, chaque fabricant devient une usine data-driven, focalisée sur une détection d'anomalie de plus en plus précise. À ce point, les fabricants peuvent travailler plus aiguement avec une consommation d'énergie optimisée pour le bien de tous.

La productivité d'usine sera toujours au premier plan et comme le futur est indéniablement data-driven, c'est un chemin qu'on doit logiquement prendre. Comme résultat, nous pourrons mettre sur le marché des produits qui livrent non juste de meilleure performance, mais qui marchent mieux et durent plus longtemps. Quel impact cela a sur le marché des biens 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 biens et services liés peut maintenant être améliorée par la détection d'anomalie et le moteur de puissance correspondant qu'elle tire de l'analytique données et intelligence. Si ce n'est pas une excuse pour enlever nos combinaisons et s'asseoir pour une pause thé, alors rien ne l'est.