logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
7 octobre 2017
A la Une, DAP, Dossiers thématiques, News, Usine 4.0

Vers des usines digitalisées et hyperconnectées

⏱ 3 min
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…

L’usine du futur sera de plus en plus connectée, tant en interne qu’avec l’extérieur. À la clef : une masse de données dont le traitement devrait accroitre la flexibilité de la production, améliorer la qualité des produits et réduire les délais de mise sur le marché.

Évoqué pour la première fois au grand salon technologique de Hanovre en 2011, le concept de l’usine 4.0 fait écho à la 4ème révolution industrielle actuellement à l’œuvre… Une « révolution digitale », après celles de la mécanisation, de l’électrification et de l’électronique. Les usines du XXIème siècle sont en effet en train de muter en entités hyperconnectées en interne, mais aussi avec l’extérieur. Personnels dotés de tablettes, bracelets connectés et autres outils de réalité augmentée, machines, robots et infrastructures bardés de capteurs, véhicules de manutention sans conducteurs, imprimantes 3D… : au cœur de l’usine, l’idée est donc d’abord de faciliter l’échange de data entre tous ces acteurs.

Mais l’enjeu de l’usine 4.0 est aussi de connecter davantage l’usine avec les autres entités de l’entreprise, via de vastes plateformes cloud : autres sites de production, service achats, comptabilité, services administratifs, ressources humaines, direction, etc. Enfin, cette stratégie s’étend même hors de l’entreprise, en connectant directement les usines avec l’écosystème de l’industriel : fournisseurs, clients, intégrateurs et autres prestataires de services.

De nombreux bénéfices attendus

« L’usine 4.0 est une usine hyper-connectée dans laquelle équipements, stations de travail et systèmes d’information seront tous interconnectés, augmentant de manière exponentielle la quantité de données disponibles, confirme Juan Cadavid du département d’ingénierie logicielle et systèmes (DILS) au CEA. L’enjeu majeur sera de réussir à exploiter ces données grâce à des outils efficaces de data science. » Un enjeu majeur en effet, tant les bénéfices espérés sont nombreux…

Au niveau de la production tout d’abord, cela devrait améliorer la qualité et la vitesse de fabrication des produits, tout en optimisant la consommation d’énergie et de matières premières. Ce concept d’usine 4.0 ouvre aussi la voie à une optimisation des stocks et à une traçabilité totale au sein de l’usine, avec géolocalisation des pièces et suivi des flux permanents. La relation clients s’en trouverait également améliorée avec des produits davantage personnalisés, ou bien encore la possibilité de connaitre à tout moment l’état d’avancement de sa commande.

Déjà des résultats concrets

Enfin, grâce à des algorithmes de maintenance prédictive type Prognostics and Health Management (PHM), coûts de maintenance et arrêts non programmés perturbant la production devraient être significativement réduits… Une logique en trois grandes étapes. Premièrement, on installe des capteurs capables de collecter des données sur l’état de la machine. Ensuite, on développe des algorithmes capables de prédire la survenue d’une panne sur la base de ces informations. Enfin, sur le terrain, le technicien reçoit une alerte lui indiquant la date et la nature de la prochaine panne  prévisible.

Une révolution déjà à l’œuvre… Un exemple concret ? En octobre 2016, l’usine espagnole Renault de Valladolid a mis en place une solution de surveillance temps réel de ce type, sur trois turbines d’extraction d’air de la ligne de peinture. Composée de capteurs de contrôle des vibrations, d’algorithmes PHM et d’un système d’alerte en cas de dérive importante, cette solution porte déjà ses fruits. « Depuis cette date, j’ai reçu trois alertes préventives m’indiquant une dégradation rapide des turbines et exigeant une remise en état urgente de la part de mes équipes », indiquait récemment Oscar Gonzalez-Ortega, le chef d’atelier maintenance peinture, dans le magazine de d’entreprise Global. De quoi éviter de perturber qualité et cadence de  production. Fort de ces résultats, le constructeur automobile devrait déployer la maintenance prédictive sur l’ensemble de ses sites industriels d’ici à 2020.

Jean-Philippe BRALY

 

Termes liés :
  • Données
  • Data science
  • Algorithme
Retrouver les autres articles du dossier “Usine 4.0” :
  • Un traitement industriel des données
  • Dans les fabriques de l'industrie 4.0
  • Train intelligent : l'industrie 4.0 sur les rails
Share:
Posts you'd might like
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
Recyclage : nos déchets sous l’œil de l’IA
Stéphane Canu :
au service de l’IA et de la mobilité de demain
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique
  • La recherche à l’assaut des deepfakes vocaux
  • Recyclage : nos déchets sous l’œil de l’IA

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU