Dans les fabriques de l’industrie 4.0
⏱ 3 min[vc_row][vc_column][vc_column_text]
Les usines 4.0 généreront une masse considérable de données. Divers outils de data science sont envisagés pour en tirer le meilleur parti. Un enjeu également économique qui aiguise les appétits…
Sur le plateau de Saclay, deux structures développent et testent des technologies pour l’usine 4.0 : l’Innovation Center for Operations du Boston Consulting Group et le FactoryLab initié par un consortium public-privé. Plongée dans ces fabriques de l’industrie de demain…
Depuis un an, le plateau de Saclay accueille une usine 4.0 expérimentale de 1200 m² ouverte par le Boston Consulting Croup (BCG). Nom de code ? ICO pour Innovation Center of Operations. Elle comporte deux lignes de production grandeur nature : l’une fabrique jusqu’à 9000 bonbons par heure, l’autre assemble des scooters électriques en 3 minutes 30 ainsi que… des sèche-linges. Elle met surtout en œuvre une foule de technos 4.0 : Internet des objets (IoT), robots collaboratifs (cobots), outils de réalité augmentée sur tablettes pour repérer des erreurs d’assemblage, chariots autoguidés, outils de simulation, capteurs de mouvements pour guider les opérateurs, etc. Autant d’éléments qui génèrent de nombreuses données collectées en temps réel par différents moyens : MES1, capteurs IoT, tags RFID2, tablette des opérateurs, etc.
« Ces données concernent de nombreux paramètres sur le bon fonctionnement et la performance des lignes de bonbons et d’assemblage, le déplacement des pièces et des opérateurs géopositionnés, les consommations électriques, etc., précise Régis Pageon Directeur technique de l’ICO. Et elles sont traitées par divers outils. » Sur la ligne de bonbons, une solution Big Data de Incube est par exemple destinée, grâce à des algorithmes de machine learning, à identifier les paramètres les plus subtils influençant la réussite du process. Sur la ligne d’assemblage, une plateforme Big Data de Metron réduit la consommation énergétique en croisant des données collectées en temps réel sur les machines (appels de courant, nombre de moteurs en marche…), avec des données externes (évolution en temps réel de la météo, du prix de l’énergie…). Et prochainement, à partir des consommations électriques de certaines machines, l’ICO mettra aussi en œuvre leur maintenance prédictive par machine learning. « Au delà de l’ICO de Saclay, notre entité BCG Gamma compte aujourd’hui 350 data scientists à travers le monde, complète Olivier Bouffault, l’expert du BCG en analyse de données pour les applications industrielles. Nous prescrivons en effet non seulement des outils pour optimiser la production industrielle basés sur divers types d’algorithmes (random forest, gradient boosting, SVMs…) mais aussi pour optimiser la chaine d’approvisionnement (supply chain). »[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][vc_empty_space][vc_single_image image= »12037″ img_size= »1000×500″ alignment= »center »][vc_column_text]
Outil de réalité augmentée sur tablette numérique à l’ICO de Saclay – © BCG
[/vc_column_text][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]À quelques encablures de l’ICO, on s’active au FactoryLab où l’on teste aussi divers outils pour l’industrie 4.0 grâce à des démonstrateurs. Et la data science est également au cœur des recherches dans le cadre de plusieurs projets. Lancé en juillet dernier, le projet MaPoP3 évalue par exemple des solutions d’analyse de données pour prédire, jusqu’à six mois à l’avance, la survenue de pannes sur tours fraiseurs et machines d’usinage de deux usines de PSA et Safran. « Développées par trois startups françaises (Predict, Monixo, Sensewaves et deux centres de recherche (CEA-List et Cetim), ces solutions reposent sur des méthodes de traitement du signal, data mining, pattern mining et machine learning appliquées à divers type de données : mécaniques, vibratoires, températures, etc. », précise Lorène Allano, responsable du projet MaPoP au CEA.
Rapports d’interventions, de maintenance, de qualité, d’inspection… Les usines génèrent aussi une masse de documents. « Baptisé SMART4, un autre projet du FactoryLab vise à optimiser la maintenance des machines outils en soumettant ce type de documents à toute une chaine de traitement de données », indique Mariama Laib qui pilote ce projet au CEA. Concrètement, on y trouve d’abord des outils capables d’extraire automatiquement les documents pertinents d’une base de données métier (AntBox, KBPlatform). De ces documents, un outil d’analyse sémantique profonde et multilingue – Lima – peut ensuite extraire et structurer automatiquement des informations pertinentes, par exemple identifier une tâche de maintenance s’étant avérée bénéfique mais non inscrite dans les procédures standards. Enfin, la chaine fait intervenir un dernier outil, Papyrus, capable de modéliser l’information extraite automatiquement par Lima. Au final, le projet devrait déboucher sur un nouvel outil d’optimisation pour la maintenance des machines outils. À suivre…
Jean-Philippe BRALY
1 Manufacturing Execution System
2 Radio Fréquence Identification
3 Maintenance prédictive des outils de production
4 Support à la maintenance par analyse sémantique des rapports d’interventions et des documentations techniques
[/vc_column_text][/vc_column][/vc_row]
