LeanBI et GradeSens font passer la maintenance prédictive à un niveau supérieur

LeanBI dans les médias sur le sujet:

 

Surveiller facilement les machines et les installations tout en minimisant les pannes et les temps d’arrêt ? Grâce au partenariat avec GradeSens, il est désormais possible d’effectuer des analyses et des prévisions encore plus précises, ce qui permet de réduire encore davantage les pannes de machines et d’installations. Pour en savoir plus sur la manière dont notre analyse de données basée sur l’IA optimise la solution de maintenance prédictive de GradeSens, consultez les médias spécialisés suivants.

 

Industry-Channel: Predictive Maintenance auf neuem Level

 

ITIKO IT und Kommunikations-News: LeanBI und GradeSens heben Predictive Maintenance auf ein neues Level

 

Betriebstechnik & Instandhaltung: Predictive Maintenance auf neuem Level

 

Industr.com: Wie KI-Datenanalysen Predictive Maintenance erleichtern

 

bigdata-insider.de: LeanBI und GradeSens optimieren Predictive Maintenance

Carte postale de Google, de Industrie 4.0 Use Cases

Carte postale de l’événement Industrie 4.0 Use Cases chez Google à Zurich

 

Photo : Marc Tesch lors de la présentation

 

Ce fut une journée passionnante ! Marc Tesch a présenté un cas d’utilisation chez Google à Zurich dans le cadre du 3ème Industrie 4.0 Use Cases.

Intégrer les modèles physiques dans l’apprentissage automatique

LeanBI dans les médias sur le sujet:

 

L’IA et les modèles physiques simplifient et accélèrent le développement de produits et de processus complexes. Cela se voit clairement dans cinq scénarios d’application typiques. Il s’agit de la planification de la production, de la maintenance prédictive des composants et de la détection des dommages sur les composants. Nous avons décrit en détail dans l’article comment cela fonctionne et quels autres cas d’utilisation sont concernés.

 

 

IT-daily.net: Die Kombination von KI und physikalischen Modellen eröffnet neue Optimierungspotenziale

 

www.bigdata-insider.de: Wie KI und physikalische Modelle Optimierungspotenziale eröffnen

 

https://de.eas-mag.digital: Die Kombination von KI und physikalischen Modellen eröffnet neue Optimierungspotenziale

 

www.itiko.de: Die Kombination von KI und physikalischen Modellen eröffnet neue Optimierungspotenziale

 

www.iavcworld.de: Praktische Szenarien zur Anwendung von KI und ML

Séminaire d’une demi-journée sur le Digital Retrofit 4.0

Séminaire d’une demi-journée «Digital Retrofit 4.0» – Comment préparer votre installation à l’avenir numériqu

 

 

Les experts LeanBI, SICK, Brütsch & Rüegger et GradeSens aborderont avec vous les effets positifs du Retrofit lors du séminaire «Digitaler Retrofit» et langue allemand.

 

Industrie 2025, Swissmem et la Data Innovation alliance vous invitent cordialement. Le séminaire aura lieu à Swissmem à Zurich le 24.11.2022 de 13h00 à 17h30, apéritif et clôture à partir de 17h30.

 

Programme et inscription

L’Edge Computing est souvent le meilleur choix pour la qualité prédictive

LeanBI dans les médias sur le sujet:

 

Dans la production, la qualité est l’une des valeurs les plus importantes. Pour cela, de nombreuses entreprises misent sur des applications de qualité prédictive qui optimisent en permanence la qualité des produits et des processus. Cela passe souvent par le cloud, mais c’est justement quand il faut aller vite qu’il vaut la peine de miser sur l’edge computing. Nous montrons à quoi les entreprises doivent faire attention et comment elles peuvent optimiser les modèles d’apprentissage automatique pour qu’ils puissent être utilisés sur des systèmes edge.

 

 

 

www.industry-of-things.de: Warum Edge Computing bei Predictive Quality oft die bessere Wahl ist

 

www.it-daily.net: Bei Predictive Quality ist Edge Computing oft die bessere Wahl

 

www.it-production.com: Predictive Quality: Was, wenn es schnell gehen muss

 

www.i40-magazin.de: Was, wenn es schnell gehen muss?

 

www.service-and-maintenance.com: Predictive Quality: Was, wenn es schnell gehen muss

 

www.itiko.de: Bei Predictive Quality ist Edge Computing oft die bessere Wahl

 

www.iavcworld.de: Bei Predictive Quality ist Edge Computing oft die bessere Wahl

 

Qualité de l’air intérieur: cinq raisons pour plus de transparence

LeanBI dans les médias sur le sujet :

 

Ce n’est pas seulement depuis Corona que les entreprises et les organisations se préoccupent de la qualité de l’air dans les locaux. Ce n’est que si la qualité de l’air est bonne que les collaborateurs sont efficaces, que les coûts énergétiques peuvent être optimisés et que les bureaux et salles de conférence sont utilisés de manière optimale. Mais comment peut-on mesurer la qualité de l’air ? Nous montrons quels effets positifs peuvent être obtenus.

 

 

 

Management und Qualität: Qualité de l’air intérieur : cinq raisons pour plus de transparence

 

Organisator: Qualité de l’air intérieur : cinq raisons pour plus de transparence

 

www.maschinenmarkt.de: Fünf gute Gründe für eine smarte Sicherung der Luftqualität

Quand les drones inspectent les ponts

LeanBI dans les médias sur le sujet:

 

La détection de dommages sur des infrastructures telles que des ponts, des tunnels ou des canaux par des moyens traditionnels est compliquée, coûteuse et même dangereuse. Lorsque les experts inspectent les ponts ou les tunnels sur place, ils doivent les fermer. Les inspecteurs ne peuvent accéder aux ponts qu’à l’aide de plateformes élévatrices ou en descendant en rappel, ce qui comporte un risque pour la vie et l’intégrité physique.

 

 

bigdata-insider.de: Qu’il s’agisse de ponts, de tunnels ou de canaux : Les solutions d’analyse de données peuvent automatiser la détection des dommages aux infrastructures.

 

Détection automatisée des dommages dans les canalisations d’eau usées

Détection automatisée de dommages et d’objets dans les canalisations d’eau usées grâce à l’intelligence artificielle

Fig.1 : Détection automatisée de dépôts au fond d’une canalisation (développement de la canalisation)

 

L’optimisation et l’amélioration de l’efficacité de l’inspection et de la révision des canalisations d’eau usées sont un enjeu majeur dans notre société. L’entreprise d’ingénierie Basler & Hofmann AG a relevé ce défi conjointement avec la société LeanBI AG.

 

Ce que notre article s’attache à démontrer : l’intelligence artificielle (IA) améliore certes considérablement l’efficacité, néanmoins les ingénieurs et les experts sont toujours amenés à intervenir. L’IA aide les experts à mieux réaliser leur travail, ce qui permet une économie de frais potentiellement élevée. Nous reviendrons ultérieurement sur ce point.

 

La longueur totale des canalisations d’eau usées publiques et privées en Suisse dépasse les 100 000 km. Selon «Die Volkswirtschaft», la dépense de remplacement [1] est estimée globalement à 114 milliards de CHF. En principe, la durée de vie moyenne des conduites d’eaux usées est de 70 ans environ [2]. Or, des spécialistes s’attendent à un besoin d’investissement accru, car bon nombre de conduites ont été posées dans les années 60 à 80, et toujours selon «die Volkswirtschaft» [1], leur coût d’entretien pourrait s’élever dans l’ensemble à près de 130 milliards de CHF dans les 30 prochaines années à venir. Soit des coûts d’entretien annuels en moyenne de 4,3 milliards de CHF. Selon [3], le maintien de la valeur du réseau de canalisation coûte aujourd’hui entre 50 et 400 CHF par an et par habitant, soit une fourchette assez large. Avec une population s’élevant à 8,7 millions d’habitants en Suisse, ce nombre met en évidence le fait que le coût global de la préservation de la valeur s’accompagnera d’une forte augmentation des coûts dans les prochaines années.

 

Il faudrait procéder à l’examen de l’état des canalisations publiques au moins tous les 10 à 15 ans. Des études démontrent qu’environ 20 % des conduites d’eaux usées seraient remplacées inutilement et que 15 % ne seraient pas rénovées à temps. Nous évaluons l’amélioration qualitative de la surveillance actuelle des conduites d’eaux usées à 10 % de 4,3 milliards de CHF, soit une économie annuelle de 430 millions de CHF en Suisse en moyenne sur les 30 années à venir. Nous sommes convaincus que ces économies sont réalisables comme le démontre notre exposé.

 

Deux principes de système sont actuellement mis en œuvre pour l’examen des conduites d’eaux usées :

  • Des caméras vidéo conventionnelles qui peuvent être pilotées par l’opérateur de la caméra en cas de suspicion d’un dommage. Les dommages sont ensuite directement documentés par l’opérateur dans un logiciel.

 

Fig. 2 : Exemple du robot d’inspection à roues d’iPEK Spezial-TV pour tuyaux de diamètre de 250 à 1000 mm cf. Wikipedia

 

  • La technologie PANO-Scan dotée de deux caméras supergrand angle qui prend une vue tous les 5 cm permettant de générer une vue en 3D tout le long de la canalisation.

 

Fig. 3 : Exemple de l’IBAK PANORAMO 4K, système de caméra / scanner 3D, plage d’utilisation à partir de DN 200

 

 

La plupart des conduites publiques ont un diamètre entre DN 200 et DN 1800, ce qui permet la mise en œuvre de la technologie PANO-Scan. La technologie PANO-Scan présente l’avantage que l’inspection des dommages ne s’effectue pas sur place, mais ultérieurement sur un «jumeau numérique», c.-à-d. une image panoramique en 3D de la canalisation. Outre une amélioration du procédé d’inspection, cette technologie fournit une base de données numérisées et traçables pour les interventions de rénovation à venir.

 

La prise de vue PANO-Scan sur site dans la conduite s’effectue en continu, est enregistrée à une cadence rapide définie en conséquence et bien planifiable à l’avance. La marge d’erreurs de la détection des dommages est réduite comparativement à la technologie conventionnelle, car les experts qualifiés procèdent à l’inspection non pas sur place mais ultérieurement sur un ordinateur. Pour ce faire, différentes solutions logicielles sont proposées. La solution KINS de la société Kanalinformatik GmbH, de plus en plus répandue en Suisse, a également été utilisée pour ce projet.

 

 

La prise de vue PANO-Scan sur site dans la conduite s’effectue en continu, est enregistrée à une cadence rapide définie en conséquence et bien planifiable à l’avance. La marge d’erreurs de la détection des dommages est réduite comparativement à la technologie conventionnelle, car les experts qualifiés procèdent à l’inspection non pas sur place mais ultérieurement sur un ordinateur. Pour ce faire, différentes solutions logicielles sont proposées. La solution KINS de la société Kanalinformatik GmbH, de plus en plus répandue en Suisse, a également été utilisée pour ce projet.

 

Une évaluation automatisée des données enregistrées est en revanche garante d’une qualité de surveillance améliorée et constante, grâce à la diminution du taux d’erreurs dues à la fatigue, à l’ignorance (formation insuffisante) ou à la négligence de dommages. Cela signifie donc que la subjectivité est largement écartée.

 

En 2020, Basler & Hofmann AG a chargé LeanBI AG de concevoir des modèles d’apprentissage machine pour la détection automatisée des dommages et des encrassements dans les conduites d’eaux usées. De tels modèles ont aujourd’hui recours à l’Intelligence artificielle.

 

 

En tant que bureau d’ingénierie actif sur le plan international, dont le siège principal est en Suisse, Basler & Hofmann AG propose des prestations de services dédiées à la planification et à l’entretien, en particulier à la saisie et à l’inspection de l’état d’ouvrages d’infrastructure, et connaît parfaitement les besoins et les exigences des exploitants de canalisations. Basler & Hofmann emploie elle-même des ingénieurs pour évaluer les dommages dans les canalisations.

 

Pour ce projet, une équipe constituée d’ingénieurs de Basler & Hofmann, de scientifiques des données de LeanBI et d’experts spécialisés a été chargée de faire évoluer l’automatisation de la détection des dommages. De gros volumes de données d’images provenant de grandes et petites communes rurales tout comme de villes ont été analysés à des fins statistiques. Les près de 200 catégories de dommages répertoriées dans les directives de la VSA (Association suisse des professionnels de la protection des eaux) ont été regroupées de sorte qu’à l’avenir, 95 % des cas de dommages et d’encrassements puissent être détectés de façon automatisée grâce à l’intelligence artificielle.

 

La figure 4 montre une représentation schématique du processus d’annotation manuel de raccords latéraux endommagés : les marquages pertinents sont signalés sur les images à l’aide d’un outil d’annotation au pixel près. Ces marquages sont ensuite exportés et classifiés sous forme de masques binaires. Avec les représentations de développement, ces masques constituent la base des données d’apprentissage.

 

Fig. 4 : Processus d’annotation manuel du développement d’une conduite d’eaux usées

 

Les modèles d’apprentissage machine ont ensuite été entraînés sur la base des annotations manuelles. À la différence des solutions déjà existantes, l’équipe du projet a opté pour ladite segmentation d’images par approche d’apprentissage automatique («Machine Learning Image Segmentation»), à savoir une détection des défauts à la précision du pixel sur les objets ou les endommagements. Les modèles d’apprentissage machine détectent ainsi la forme exacte des défectuosités, contrairement aux quelques solutions actuellement disponibles sur le marché qui pour la plupart englobent les objets dans des cadres de contour («Bounding Boxes»). Illustrons la segmentation à l’appui d’un exemple de raccord incomplètement engagé représenté en figure 5.

 

Fig. 5 : Illustration d’un raccord latéral «incomplètement engagé»

 

La détection automatisée combinée à l’intelligence artificielle permet de signaler non seulement le raccord (en vert) mais aussi l’endommagement (en rouge) (cf. fig. 6). Cela donne immédiatement une représentation visuelle de la gravité du dommage.

 

Fig. 6 : Raccord latéral incomplètement engagé

 

L’avantage de la segmentation d’images par approche d’apprentissage automatique («Machine Learning Image Segmentation») est que les géométries des dommages et des encrassements peuvent être analysées à partir d’informations pixelisées. Ces analyses peuvent alors être mises à la disposition sous forme d’informations, directement de l’ingénieur ou d’applications en aval. Ceci permet de détecter beaucoup plus précisément le degré de gravité des dommages.

 

Un autre avantage de la segmentation d’images par approche d’apprentissage automatique réside dans le fait qu’un nombre réduit d’annotations manuelles est nécessaire à l’apprentissage des modèles. Dans notre projet, nous avons néanmoins procédé à plus de 1000 de telles annotations manuelles.

 

Or, la compétence principale de LeanBI est précisément d’être capable de créer des modèles d’apprentissage machine d’excellente qualité même avec très peu de données exploitables. Outre le choix des modèles, ledit facteur d’«Augmentation», c’est-à-dire l’extension artificielle des données d’image à des fins d’apprentissage, y contribue de manière décisive.

 

La segmentation d’images par approche d’apprentissage automatique présente cependant un inconvénient. En effet, l’annotation manuelle doit être effectuée très précisément, sans quoi l’intelligence artificielle ne fournit pas forcément des résultats satisfaisants. C’est la raison pour laquelle, dans le cadre du projet, toutes les annotations ont été effectuées en interne par des experts, et nous n’avons sciemment pas fait appel à des prestataires tiers.

 

L’objectif du projet a été d’obtenir un taux de rappel («Recall») de quasiment 100 %. Cela signifie que dans les classes de dommages définies, aucun endommagement ni encrassement ne nous échappe. Car il est bien plus problématique de ne pas détecter des dommages que de mal évaluer quelquefois un endommagement. Un ingénieur pourra alors aisément remédier à ce dernier cas de faux positif («False Positive») lors du processus d’inspection à l’aide d’une simple pression de touche. Nous avons atteint l’objectif fixé pour différentes classes de dommages, pour d’autres, l’apprentissage grâce à l’intelligence artificielle s’effectuera encore dans le temps étant donné que les ingénieurs alimentent continuellement l’application en données.

 

Et nous revenons avec cela au thème qui nous préoccupe, à savoir en quoi l’intelligence artificielle aide les ingénieurs. L’ingénieur devrait se concentrer sur les cas les plus sévères et rares tels que des inclusions de racines ou des infiltrations, tandis que l’intelligence artificielle apporte sa contribution en matière de surveillance et de documentation pour les cas les plus fréquents comme des fissures, dépôts, déformations, etc. Ainsi, non seulement l’ingénieur devient plus efficace, mais son travail gagne aussi énormément en qualité. L’ingénieur garde pourtant la maîtrise de la fonction de contrôle principale.

 

Le logiciel de détection présenté a été conçu de sorte à pouvoir être intégré dans un outil d’inspection existant tel que KINS. Les données d’images sont exportées à partir du logiciel d’inspection, sont soumises au processus automatisé de détection et d’annotation avant d’être réimportées dans le logiciel d’inspection. Les données d’images sont ensuite contrôlées, éditées et documentées par les ingénieurs.

 

Si les dommages sont détectés plus précisément et à temps, des réparations peuvent être envisagées plutôt que des remplacements qui n’auraient même pas été nécessaires, et le nombre d’interventions de rénovation peut être réduit. Ceci permet de réduire les frais de rénovation. De plus, cela apporte une amélioration pour l’humain et contribue à la préservation de l’environnement : en effet, une surveillance accrue empêche l’écoulement involontaire d’eaux usées dans l’environnement ainsi que les infiltrations dans les conduites d’eau fraîche.

 

Nous sommes convaincus que la combinaison de l’intelligence artificielle et de la Technologie PANO permettra d’éliminer près de la moitié voire deux tiers des erreurs de détection actuelles. En outre, elle permet de limiter les contraintes visuelles dues notamment à une mauvaise luminosité, une résolution d’image insuffisante ou une mauvaise visibilité à cause de l’encrassement. Sans compter que les technologies de prise de vue vont encore être perfectionnées dans les années à venir au fur et à mesure du développement de la Technologie PANO.

 

[1] Sanierungsfall Abwassersystem (Cas de rénovation d’un système d’évacuation des eaux usées), Max Maurer, Sabine Hoffmann | 21.05.2019

 

[2] Vollzug Umwelt (L’environnement pratique), Contribution sur la protection des eaux N° 42, Coûts de l’évacuation des eaux usées, 2003

 

[3] Richtlinie zur Kalkulation der Werterhaltungskosten von Abwasseranlagen (Directive de calcul des coûts d’entretien des installations d’évacuation des eaux usées), page 70, Environnement et énergie (uwe), Canton de Lucerne, 2019

 

Carte postale de la 16e Unternehmertagung à l’ASTRA

Photo: Marc Tesch lors de la présentation

 

Lors de la 16e journée des entrepreneurs à l’ASTRA, LeanBI a présenté l’automatisation de la détection des dommages sur les ouvrages d’art grâce au deep learning.

 

Conclusion:

  1. La technologie d’IA apporte une augmentation massive de l’efficacité des inspections des ouvrages d’art.
  2. La technologie d’IA pour la détection des dommages existe et peut être utilisée dans la pratique. Avec une bonne qualité d’image, la reconnaissance par IA est déjà bonne et sera encore bien meilleure à l’avenir.
  3. La qualité des données d’image est un facteur clé et doit être contrôlée.
  4. Même si la technologie est là, le passage à l’IA prendra plus ou moins de temps (gestion du changement). Les plateformes de services avec IA aideront à accélérer le changement.

Rétrofit 4.0 des systèmes existants

Modernisation d’installations de production existantes grâce aux nouvelles technologies des capteurs et à l’Intelligence Artificielle (IA)

 

Les jumeaux numériques (Digital Twins) en tant qu’image numérique d’installations de production et le concept de Smart Factory en tant qu’ultime évolution industrielle sont d’actualité depuis de nombreuses années. Leur mise en œuvre constitue néanmoins plutôt encore l’exception à la règle. Ceci n’est cependant pas la faute aux constructeurs de machines. En effet, les nouvelles générations de machines sont déjà dotées de divers capteurs et interfaces IoT en vue de nouveaux services numériques. Or, cela ne prend que partiellement en compte les besoins des activités de production.

 

 

 

Dans une installation de production et l’intralogistique afférente, les machines affichent une durée de vie de 20 à 30 ans et plus. Souvent, il s’agit d’abord de remplacer les unités de commandes, mais avec cela, nous sommes encore bien loin de la Smart Factory. On voudrait idéalement pouvoir continuer à exploiter les machines existantes aussi longtemps que techniquement faisable et économiquement raisonnable.

 

Le rôle essentiel des capteurs

 

Pour pouvoir faire évoluer les installations existantes vers la Smart Factory, les objectifs suivants doivent être réalisés (Retrofit 4.0) :

  • Détection anticipée des anomalies à l’appui des données et de la technologie des capteurs sous-jacente afin de minimiser les temps d’arrêt de production, connue sous le terme Maintenance prédictive.
  • Amélioration continue des processus de logistique et de production à l’appui des données et de la technologie des capteurs sous-jacente afin d’accroître l’efficacité des processus en tenant compte de toutes les éventualités, nous parlons alors de Performances prédictives.
  • Maintien d’un niveau élevé de la qualité des produits malgré la multiplicité et la diversification des variantes impliquées dans le processus de production, à l’appui des données et de la technologie des capteurs sous-jacente, ce que nous désignons par Qualité prédictive.

Pour l’ensemble de ces objectifs de Retrofit 4.0 applicables aux installations de production existantes, les capteurs, les données générées et l’analyse des données consécutive sont essentiels. Heureusement, les coûts de la technologie des capteurs, de l’IoT, de la gestion des données et des analyses ont sensiblement baissé ces 5 à 10 dernières années. Par conséquent, il s’avère actuellement intéressant d’équiper des installations existantes de la nouvelle technologie des capteurs. Cependant, il ne s’agit pas de tout faire en une fois, mais progressivement, selon l’ordre d’importance et en plusieurs phases comme le préconise la méthode élaborée par LeanBI mise en œuvre avec succès dans de nombreux projets.

 

Outre les technologies de mesure conventionnelles des vibrations, de la température et du courant, LeanBI a recours à de nouveaux capteurs optiques et acoustiques orientés Smart Factory. Les deux types de capteurs bénéficient d’excellentes technologies qui s’appliquent à la Maintenance prédictive, les Performances prédictives et la Qualité prédictive. Ce faisant, le déploiement de l’internet des objets (IoT) et des jumeaux numériques ne constitue pas un objectif en soi, mais seulement un moyen de parvenir au but.

 

LeanPredict accroît les performances des installations intralogistiques

 

Cette technologie de capteurs moderne a par exemple été utilisée pour détecter des signes d’usure sur un trieur à plateaux basculants d’une installation intralogistique. À cet effet, les différentes installations d’un site ont été équipées de points de mesure par capteur optiques et acoustiques. Les bruits que font les plateaux basculants évoluent au fur et à mesure que l’usure s’accentue ; de plus, les éventuelles déformations mécaniques sont immédiatement détectées par le capteur optique. Les données des capteurs sont traitées sur un PC industriel à proximité de l’installation et transmises en continu à la plateforme LeanPredict de LeanBI AG. L’Intelligence Artificielle analyse les données enregistrées dans le cloud en se servant de plusieurs modèles d’apprentissage machine (Machine Learning) distincts, spécialement entraînés par LeanBI sur de nombreuses défaillances. Ces modèles s’appuient sur une vingtaine de caractéristiques mesurées et calculés qui constituent les paramètres d’entrée aux modèles respectifs.

 

Il en résulte un critère d’appréciation de la qualité par chariot et par passage au niveau du point de mesure, assorti d’une valeur de défaut correspondante. En présence d’un écart important, le chariot doit être contrôlé dans un délai de 24 heures. Un message est alors envoyé au responsable de l’installation, un tableau de bord affiche des informations complémentaires, ou un ordre d’intervention de service est automatiquement déclenché dans l’outil de maintenance.

 

 

Illustration : Trieur à plateaux basculants d’une installation intralogistique

 

Amélioration continue grâce à l’Intelligence Artificielle

 

De tels modèles d’apprentissage machine, désignés dans leur ensemble par Intelligence Artificielle, apportent une solution à différents cas d’utilisation de Smart Factory pour Retrofit 4.0 :

  • Grâce à la reconnaissance d’images, vous pouvez détecter des problèmes de qualité sur la machine ou sur le produit en quelques fractions de seconde. Selon le cas, des systèmes 3D complexes mais aussi des caméras très abordables sont mis en œuvre.
  • La reconnaissance d’images évalue la qualité de la réalisation du travail en cas d’intervention manuelle du personnel de production.
  • La reconnaissance d’images permet la traçabilité et le suivi des produits de départ et résultants dans le processus de production.
  • L’acoustique évalue les éventuelles anomalies sur les composants ou peut détecter globalement des inefficacités de la production.

Par ailleurs, cela permet aussi de révéler sans contact et à coûts réduits des dégradations et traces d’usure sur les machines, comme le montre notre cas concret d’installation intralogistique :
Si l’appréciation de la qualité n’a pas encore atteint la valeur seuil, cela indique la présence d’un léger défaut et le chariot reste sous surveillance. Si la détérioration s’accentue de jour en jour ou qu’un plus grand nombre de défauts légers analogues est détecté, alors une inspection et une maintenance planifiées sont effectuées sur ce chariot. La planification de la maintenance en petites étapes tout au long de l’année relâche la pression qui pèse sur le personnel de maintenance, améliore les diagnostics, diminue l’ampleur de la tâche lors des cycles de maintenance d’envergure et améliore la proportion de marchandises écartées à cause de défauts de qualité. Chacune des anomalies détectées alimente la base de données et participe à la formation du réseau neuronal, ainsi contribuant à l’amélioration continue des performances de l’installation.

 

LeanPredict en tant que solution prédictive

 

LeanBI a développé le cadre de solution modulaire LeanPredict par le biais de divers projets Smart Factory menés avec succès. Cette solution englobe un ensemble d’équipements de technologie des capteurs, un système de traitement des données sur site au sein d’un environnement IoT ainsi que l’analyse des données conçue selon divers modèles d’apprentissage machine dans le cloud LeanBI.

 

 

Illustration : La solution LeanPredict avec connexions

 

La solution peut être intégrée dans un réseau complètement séparé des lignes de production. En guise d’alternative, la solution LeanPredict peut aussi être intégrée à l’environnement de production fermé afin qu’aucune donnée ne sorte du réseau de production. Quoi qu’il en soit, la solution se conforme à la sécurité informatique de nos clients, un critère exigé par tous les constructeurs.

 

Une flexibilité accrue pour les exploitants d’installation

 

La quête d’optimisation de l’efficacité continuera de peser sur les exploitants d’installation. Outre les objectifs bien connus de gain de temps, de réduction des coûts et d’amélioration de la qualité, le souci de flexibilisation accrue de la production gagne en importance. La mise en œuvre de cette transformation nécessite d’importants investissements de la part des entreprises en vue d’adapter ou d’étendre en conséquence leur infrastructure de production. L’instauration ou selon les cas le développement de solutions innovantes, numériques, efficaces et écologiquement durables telles que LeanPredict constitue un moyen abordable d’accélérer le processus de transformation en cours.