Intégrer l’IA dans les usines de fabrication existantes :une feuille de route pratique et à faible risque

Combler le fossé entre les systèmes de contrôle existants et l'IA de pointe sans remplacement complet est désormais possible. Découvrez comment connecter efficacement l'IA aux anciennes usines.

Par Hamza Daboul

Le récapitulatif

• Les anciennes usines peuvent adopter l'IA sans renoncer à l'automatisation éprouvée.
• L'IA ajoute de la valeur en observant et en interprétant le comportement des plantes plutôt qu'en les contrôlant.
• Les données existantes, lorsqu'elles sont utilisées de manière sélective, suffisent à apporter des améliorations significatives.
• Les progrès proviennent de petites étapes validées qui respectent le fonctionnement habituel des anciennes usines.

Les systèmes de contrôle dans la plupart des usines de fabrication ont été installés pour assurer le fonctionnement sûr et cohérent des équipements, mais ils n'ont pas été conçus en tenant compte de l'IA ni pour prendre en charge des analyses avancées à aucun moment de leur durée de vie.

Malgré des décennies de mises à niveau et de solutions de contournement, ces usines fonctionnent toujours, mais restent incompatibles avec les systèmes d’IA modernes. Cela limite le travail que l'IA peut effectuer aujourd'hui et peut forcer certaines tâches à s'exécuter de manière inefficace.

La plupart des usines ont rapidement compris qu'il était pratique et rentable de connecter l'IA à leurs environnements d'usine existants au lieu d'ignorer les tendances en matière d'IA ou de remplacer entièrement leurs systèmes pour les « moderniser ».

Pour ceux qui ne l'ont pas encore fait, cette feuille de route se concentre sur la façon dont vous pouvez ajouter l'IA aux usines existantes au lieu de les remplacer.

Ce que signifie « l'IA sur le terrain » 

L'IA n'est pas un système de contrôle, une logique API, des verrouillages ou des opérateurs, et elle ne devrait pas prendre de décisions en temps réel dans la plupart des opérations de fabrication.

Au lieu de cela, l’IA fonctionne mieux comme une couche analytique qui observe le comportement des plantes au fil du temps. Il recherche des modèles et des signaux précoces que les alarmes et seuils traditionnels ne sont pas conçus pour détecter.

Lorsqu'elle est positionnée de cette façon, l'IA complète vos systèmes d'automatisation existants, permettant aux systèmes de contrôle de continuer à exécuter une logique déterministe tandis que l'IA se concentre sur l'interprétation et la compréhension. Cette distinction permet d'éviter la résistance des équipes d'exploitation et d'ingénierie lors de la connexion de l'IA à votre usine existante.

Évaluez ce que vous avez déjà avant d'ajouter quoi que ce soit de nouveau

Les usines existantes sous-estiment presque toujours leurs propres données. Entre les historiens, les contrôleurs, les lecteurs, les capteurs, les journaux de maintenance et les enregistrements de qualité, la plupart des installations génèrent déjà suffisamment d'informations pour prendre en charge des modèles d'IA utiles.

Si vous disposez de toutes ces données, le véritable défi réside souvent dans la fragmentation et le contexte, et non dans le volume. Commencez par une évaluation pratique en répondant à quelques questions fondées. Quelques exemples :

• Quels actifs ou processus génèrent le plus de problèmes opérationnels lorsqu'ils échouent ou dérivent ?
• Dans quels domaines les opérateurs s'appuient-ils sur l'expérience plutôt que sur les instruments pour détecter les problèmes ?
• Quels signaux sont déjà fiables, même s'ils ne sont pas parfaitement organisés ?
• Où les petits problèmes récurrents prennent-ils du temps sans jamais déclencher d'alarmes formelles ?
• Quel équipement nécessite des contrôles manuels fréquents car les signes avant-coureurs sont faciles à ignorer ?
• Dans quels domaines les transferts d'équipe à équipe dépendent-ils fortement d'explications verbales plutôt que de données enregistrées ?
• Quels ajustements sont effectués « au ressenti » car le système fournit un contexte limité ?
• Où commence généralement l'analyse des temps d'arrêt avec des hypothèses plutôt que des preuves ?
• Quelles variables sont examinées uniquement en cas de problème ?
• Où existent des données historiques qui sont rarement revisitées une fois le problème apparu ?

Répondre à ces questions réduit la portée, ce qui est essentiel car les initiatives d'IA échouent souvent lorsque les équipes tentent de tout nettoyer et de tout normaliser en même temps.

Par conséquent, travaillez petit et spécifique, pas large et théorique.

Prendre le temps d'évaluer votre ancien système vous aidera à identifier les lacunes et les opportunités que l'intégration de l'IA peut combler.

Concentrez-vous sur les cas d'utilisation qui correspondent à la réalité héritée

Toutes les applications d’IA n’ont pas leur place dans une usine plus ancienne. Les premiers cas d'utilisation les plus efficaces soutiennent généralement les décisions au lieu de tenter de les automatiser.

La maintenance est souvent le premier point d’entrée pratique. Plutôt que de prédire les dates exactes des pannes, l'IA met en évidence les comportements anormaux qui apparaissent avant que les pannes ne surviennent, donnant ainsi à vos équipes de maintenance le temps d'enquêter et de planifier de manière proactive.

La stabilité des processus est un autre atout majeur. De nombreux problèmes de débit et de qualité se développent lentement à mesure que les conditions évoluent. L'IA peut reconnaître lorsqu'un processus ne se comporte plus comme il l'a fait historiquement, même si toutes les valeurs restent dans des limites acceptables.

Le contrôle de la qualité suit le même schéma. Entre les inspections, l'IA peut signaler des tendances inhabituelles qui indiquent que des défauts sont susceptibles de se former en amont, réduisant ainsi le délai entre la cause et la détection.

Vous n'avez pas besoin de nouvelles architectures de contrôle ou de changements invasifs pour que ceux-ci fonctionnent, c'est pourquoi ils sont à la fois pratiques et très utiles.

Connectez l'IA sans interrompre les opérations

• Les premiers déploiements doivent s'exécuter en mode observation.
• Les résultats doivent être consultatifs.
• Les alertes doivent expliquer ce qui a changé, et pas seulement que quelque chose ne va pas.
• Les opérateurs et les ingénieurs doivent valider leurs informations par rapport à la réalité avant de leur faire confiance.

Ces considérations vous aident à éviter les perturbations lors de la connexion de l'IA.

Les équipes d’automatisation des usines et les prestataires de services industriels doivent résister à la tentation de boucler la boucle trop tôt. Le déclenchement automatique d’actions avant que la confiance ne soit établie érode rapidement la confiance. La confiance se gagne par la retenue.

En bref, votre stratégie visant à introduire l'IA dans votre ancienne usine doit être progressive et non transformationnelle.

Aborder le côté humain avant la mise à l'échelle

Les opérateurs deviennent sceptiques lorsque les systèmes se comportent de manière imprévisible. Lorsque vous introduisez l'IA dans vos opérations, la dernière chose que vous souhaitez, ce sont des ingénieurs désengagés parce que les modèles ne peuvent pas être expliqués, ou des équipes de maintenance qui ignorent les alertes parce que ces alertes arrivent normalement trop tard ou trop souvent.

Privilégiez l’utilité à la sophistication. La précision compte, mais la pertinence compte encore plus. Si l'IA révèle systématiquement des problèmes que les équipes auraient autrement manqués, elle gagnera rapidement en crédibilité.

Faites attention aux boucles de rétroaction. Lorsque les équipes comprendront comment leurs actions affectent les résultats de l’IA, elles seront plus engagées. L’inverse se produit si l’IA semble imposée plutôt que collaborative.

N'évoluez qu'une fois que vous savez que l'IA est utile dans une petite zone localisée.

Une feuille de route qui respecte les contraintes héritées

1. Tout d'abord, observez le comportement existant sans le modifier.
2. Ensuite, prouvez votre valeur dans un domaine limité et bien compris.
3. Ensuite, développez là où les modèles se répètent et où les résultats sont cohérents.
4. Ce n'est qu'après ces étapes que vous pourrez envisager de le standardiser.

Questions fréquemment posées

Les usines existantes ont-elles besoin de nouveaux capteurs ou de nouveaux matériels avant d'utiliser l'IA ?

Dans la plupart des cas, non. Les initiatives d’IA commencent généralement par utiliser les signaux existants provenant de contrôleurs, d’historiens, de capteurs, de lecteurs, etc. De nouveaux capteurs sont ajoutés uniquement lorsqu'il existe un écart de visibilité évident.

L'IA peut-elle être utilisée sans modifier la logique de l'API ou les stratégies de contrôle ?

Oui. L’IA opère en dehors de la couche de contrôle. Il observe le comportement du processus et fournit des informations sans modifier la logique de contrôle déterministe ou les systèmes de sécurité.

L'IA est-elle utile si le processus a déjà des alarmes configurées ?

Oui. Les alarmes traditionnelles détectent les violations de seuil tandis que l'IA identifie les modèles anormaux qui restent dans les limites mais indiquent néanmoins des problèmes émergents.

Quelles compétences sont requises en interne pour prendre en charge l'IA dans une usine existante ?

Au départ, une solide connaissance des processus est plus importante qu’une expertise en science des données. Les opérateurs et les ingénieurs qui comprennent le comportement normal fournissent un contexte critique.

L'IA est-elle utile uniquement pour les opérations à grande échelle ?

Non. Les petites usines obtiennent souvent des résultats plus rapides car les processus sont plus faciles à isoler et à valider, ce qui rend les premiers succès plus réalisables.

Quand est-il judicieux de déployer l'IA dans l'ensemble de l'établissement ?

Ce n'est qu'après que les déploiements localisés fournissent systématiquement des informations exploitables et sont acceptés par vos équipes d'exploitation et de maintenance.

À propos de l'auteur : Hamza Daboul est un ingénieur en automation avec plus de 11 ans d'expérience, spécialisé dans les solutions industrielles chez EZ Automation. Il se concentre sur la conception de systèmes de contrôle et la mise en œuvre de mises à niveau d'équipements pour améliorer l'efficacité, la fiabilité et la sécurité de la fabrication. Son expertise comprend le dépannage de systèmes complexes et la fourniture de solutions clé en main qui modernisent les opérations existantes. Connu pour son esprit de résolution de problèmes, Hamza travaille en étroite collaboration avec ses clients pour augmenter la productivité tout en maintenant des normes de qualité élevées.