De nouveaux potentiels d’optimisation grâce à l’IA et aux modèles physiques

Les modèles physiques et l’intelligence artificielle peuvent travailler ensemble pour simplifier et accélérer le développement de produits et de processus complexes. Dans ce blog, nous continuons à montrer des applications possibles des deux technologies.

Le développement de produits peut être fastidieux, long et coûteux. L’intelligence artificielle et l’apprentissage automatique peuvent accélérer le processus de développement. À l’aide de simulations, des solutions efficaces et optimales peuvent être déterminées plus rapidement. Les technologies peuvent trouver différentes applications. Les modèles physiques peuvent alimenter l’IA, l’IA peut fournir des données pour les modèles physiques, ou les deux fonctionnent en parallèle – des modèles hybrides.

Dans ce deuxième article de blog, nous vous présentons trois autres scénarios d’application pour l’utilisation de l’intelligence artificielle et de l’apprentissage automatique :

La détection des dommages aux structures est effectuée à l’aide de la méthode des éléments finis (FEM). À l’aide d’une analyse structurelle, la répartition des contraintes est identifiée, par exemple, dans les constructions de tours et de ponts. La surveillance peut être effectuée directement sur la structure ou à l’aide de techniques d’imagerie telles que les caméras de drone. Les deux méthodes sont complétées par l’intelligence artificielle. Cela facilite l’identification des niveaux de risque de dommages et l’élaboration des mesures de réparation ou de rénovation nécessaires.

Dans le domaine du contrôle de présence à l’intérieur, l’utilisation de capteurs peut être utilisée pour enregistrer des profils de CO₂ tout en maintenant la protection des données. Vu que chaque salle présente des caractéristiques de ventilation différentes, celles-ci doivent être prises en compte dans l’évaluation des résultats. L’analyse avec l’IA peut calibrer les modèles physiques aux conditions spécifiques des salles respectives et ainsi obtenir des meilleures résultats.

Les modèles d’IA peuvent également prendre en charge la direction de bras robotiques. À l’aide du Reinforcement Learning, des stratégies de préhension sont apprises afin que les bras robotiques puissent saisir des objets de différentes formes dans une position indéfinie. Des essais réels coûteux avec un bras robotique peuvent ainsi être substitués en simulant les mouvements du robot à l’aide de modèles d’IA.

La combinaison de l’intelligence artificielle et des modèles physiques peut faciliter la collecte de données dans de nombreux scénarios d’application tout en générant de nouveaux domaines d’application.

Avons-nous piqué votre intérêt?

Nous serions heureux de vous conseiller sur ce sujet et de vous montrer comment vous pouvez utiliser l’intelligence artificielle et les modèles physiques dans votre domaine d’application.

Des solutions d’analyse de données pour améliorer l’indicateur de l’OEE

L’efficacité globale des équipements (OEE) est l’indicateur le plus important pour les entreprises industrielles. De nombreuses entreprises s’appuient sur des solutions d’analyse de données pour l’optimiser. Dans ce blog, nous montrons comment une amélioration du chiffre clé de l’OEE est possible avec un Rétrofit numérique.

L’optimisation de l’efficacité est l’une des plus grandes priorités de nombreuses entreprises. L’efficacité globale de l’équipement (OEE) mesure le fonctionnement efficace des machines et des systèmes. Composé de la disponibilité, de la qualité et du rendement maximum, il détermine l’efficacité globale des installations et des machines.

À l’aide de solutions d’analyse de données, les données générées par les machines et les systèmes peuvent être enregistrées et évaluées par des algorithmes d’apprentissage machine. Cela donne aux entreprises une vue d’ensemble de l’état des installations et des machines et leur permet de prévoir d’éventuels dysfonctionnements ou travaux de maintenance.

Dans la deuxième partie, vous apprendrez à connaître d’autres solutions d’analyse de données qui contribuent à améliorer le chiffre clé de l’OEE. Grâce à un retrofit numérique des machines et des systèmes, ces solutions peuvent également être utilisées dans des systèmes existants :

Les applications de qualité prédictive utilisent les données collectées pour prédire les dysfonctionnements des machines et des systèmes qui pourraient avoir un impact négatif sur la qualité des produits. En intervenant rapidement et en modifiant les paramètres de processus ou les réglages de la machine, les entreprises industrielles peuvent éviter des rejets et réduire les coûts supplémentaires.

Les applications de performance prédictive s’appuient sur les anomalies détectées de maintenance prédictive et de qualité prédictive. Les données sont utilisées pour optimiser et entraîner en permanence les algorithmes d’apprentissage automatique. Cela permet une amélioration continue des performances.

Les systèmes existants posent un défi particulier dans la réalisation et la mise en œuvre de telles solutions d’analyse de données. Avec l’aide d’un rétrofit numérique, les machines, dont certaines ont 20 ou même 30 ans, peuvent être mises à niveau avec des capteurs et des interfaces de données. En plus de la technologie conventionnelle de mesure des vibrations, de la température et du courant, des capteurs optiques et acoustiques peuvent également être installés. Les entreprises industrielles peuvent s’appuyer sur des cadres techniques éprouvés pour mettre en œuvre des solutions d’analyse de données telles que la maintenance prédictive, la qualité prédictive et la performance prédictive afin d’améliorer l’efficacité globale des équipements.

Avons-nous suscité votre intérêt ?

Nous serions heureux de vous conseiller et de vous montrer différentes façons d’améliorer l’efficacité globale de votre équipement avec une mise à niveau de vos machines.

Modernisation numérique et efficacité globale de l’équipement

Pour optimiser l’efficacité globale des équipements, de nombreuses entreprises se tournent vers des solutions d’analyse de données. Pour cela, ils n’ont pas nécessairement besoin de machines modernes avec capteurs intégrés. Dans ce blog, nous vous montrons comment un rétrofit numérique de vos machines peut contribuer à optimiser l’efficacité globale de l’équipement.

Les entreprises industrielles comptent beaucoup sur l’efficacité globale des équipements (OEE). Sur la base des variables disponibilité, qualité et rendement, l’indicateur le plus important mesure l’efficacité globale des installations et des machines. En même temps, des conclusions peuvent être tirées sur la performance des processus de production. L’optimisation de ce chiffre clé est donc inévitablement l’un des principaux objectifs des entreprises.

Les solutions d’analyse de données offrent d’excellentes opportunités à cet égard. Les données des machines et des systèmes peuvent ainsi être enregistrées et évaluées avec des algorithmes d’apprentissage machine. De cette façon, des prévisions peuvent être réalisées qui permettent non seulement une intervention rapide en cas de défauts, mais contribuent en même temps à l’amélioration continue de l’OEE.

Dans ce blog, nous nous concentrons d’abord sur les applications de maintenance prédictive. Nous allons vous montrer comment tous les contributeurs clés de l’OEE peuvent être couverts à l’aide de ceci :

Les applications de maintenance prédictive peuvent prédire l’usure des machines et des pièces d’usine à partir des données générées par ces machines et installations. Cela permet aux entreprises de détecter l’usure des pièces avant les travaux de maintenance prévus et de prendre des mesures de maintenance à temps. De cette façon, les temps d’arrêt imprévus des machines et des lignes de production entières peuvent être évités et d’éventuelles amendes dues à des marchandises manquantes peuvent être évitées.

L’un des défis dans la réalisation de ces applications sont les systèmes hérités. Par rapport aux machines et systèmes modernes, ceux-ci ne disposent pas des capteurs nécessaires. Avec un rétrofit numérique, ces systèmes de production peuvent être équipés de capteurs et des interfaces correspondantes pour l’acquisition de données.

Dans la deuxième partie de notre article « Solutions d’analyse de données pour améliorer l’indicateur OEE », vous pouvez lire quelles autres solutions d’analyse de données peuvent contribuer à l’optimisation de l’ OEE et avec quels capteurs les systèmes existants peuvent être équipés.

Qualité prédictive : solution Edge ou Cloud ?

Les applications de qualité prédictive deviennent de plus en plus importantes dans la production.  Le cloud offre une variété de nouvelles possibilités, mais en matière de vitesse, il est logique de s’appuyer sur l’edge. Dans ce blog, nous allons vous montrer comment utiliser les systèmes edge malgré leur faible puissance de calcul.

Avec les applications de qualité prédictive, les entreprises peuvent optimiser en permanence la qualité de leurs produits et leurs processus. Cela permet également d’identifier les problèmes de qualité. La condition préalable est un processus d’apprentissage machine capable de prédire rapidement des problèmes tels que des bourrages sur une machine ou une surchauffe d’un moteur.  Les calculs analytiques des algorithmes nécessaires à cet effet peuvent être effectués à la fois via l’edge computing et via une plate-forme cloud. Dans la première partie « Qualité prédictive et Edge Computing », nous avons déjà montré les raisons pour lesquelles il n’est pas conseillé d’utiliser une plate-forme cloud pour les cas d’utilisation où le temps et critique.

Dans cette partie, nous expliquons comment vous pouvez utiliser des systèmes de périphérie malgré une puissance de calcul réduite en optimisant les modèles d’apprentissage machine :

• Pruning: En simplifiant, raccourcissant et optimisant les arbres de décision, la complexité des paramètres d’entrée peut être réduite, ce qui nécessite donc moins de puissance de calcul.
• Frameworks: La gamme de cadres est large et offre différents avantages et inconvénients. Avec un framework tel que Learn2Compress de Google, les couches de modèles de deep learning peuvent être réduites dans leur largeur et leur profondeur, économisant ainsi de la puissance de calcul.
• Langage de programmation : Les modèles d’apprentissage automatique sont généralement écrits dans le langage de programmation Python. Cependant, Python nécessite beaucoup de puissance de calcul. Des compilateurs peuvent être utilisés pour traduire le code dans un langage qui nécessite moins de puissance de traitement, tel que C #.

Grâce à ces conseils, les modèles d’apprentissage machine peuvent être optimisés et les systèmes edge peuvent être utilisés.  Cependant, l’efficacité du cloud ne peut pas être atteinte par une solution edge.  Il s’agit d’un inconvénient majeur, car le cloud nécessite souvent moins de capacité de calcul en raison de l’équilibrage de charge et sera donc plus rentable que la solution edge.

Le choix d’une solution cloud ou périphérique dépend de chaque cas spécifique. Une combinaison des deux solutions est également concevable et possible. Par exemple, les données peuvent être préparées et préfiltrées à la périphérie et le traitement ultérieur peut être fait dans le cloud.

Avez-vous des questions sur les différentes options ? N’hésitez pas à nous contacter.

Lien vers le premier article de blog.

Qualité prédictive et Edge Computing

Tout le monde en parle du cloud, mais surtout quand il faut faire vite, il est astucieux de s’appuyer sur l’edge computing pour des applications de qualité prédictive. Dans ce blog, nous vous montrons les avantages de l’edge computing par rapport au cloud.

Les applications de qualité prédictive donnent aux entreprises industrielles la possibilité d’optimiser, qu’il s’agisse de la qualité des produits ou des flux de processus.  En même temps, des problèmes de qualité peuvent également être identifiés à court terme. Ainsi, par exemple, un blocage imminent d’une vanne ou un comportement inhabituel soudain d’un moteur électrique d’une machine peut être détecté. Une intervention immédiate, par exemple en modifiant les paramètres du processus ou les paramètres de la machine, peut donc souvent éviter des dommages majeurs, à condition que la méthode d’apprentissage machine utilisée puisse prédire ces problèmes le plus rapidement possible.

Nous allons vous montrer pourquoi l’externalisation des calculs analytiques des algorithmes vers une plate-forme cloud peut avoir un effet défavorable sur les cas d’utilisation où le temps d’intervention et critique :

• Transmission des données à la plate-forme cloud : Les données de mesure des capteurs et les paramètres de processus enregistrés par les machines et les systèmes doivent être transmis à la plate-forme cloud pour les calculs. Il en résulte des retards. Dans les cas extrêmes, ce ralentissement peut être trop important et rend une réaction et intervention à temps impossible.
• Échange de données avec la plate-forme cloud : Contrairement à l’edge computing, l’échange avec un cloud nécessite une connexion Internet stable. Les entreprises peuvent avoir du mal à s’en assurer, car les halls de production et de fabrication sont souvent situés dans des endroits éloignés. En conséquence, les entreprises sont constamment exposées au risque d’une perte de la connexion, ce qui empêche une intervention à temps.

Avec le calcul analytique directement sur les machines et les systèmes, les entreprises peuvent éviter ces problèmes. Les possibilités techniques d’une solution edge sont de plus en plus disponibles, car il y a de plus en plus de capteurs avec leurs propres unités de calcul et de plus en plus d’ordinateurs industriels sont aujourd’hui également équipés de processeurs à haute performance.

Le choix entre une solution edge ou cloud doit se faire individuellement, il n’y a pas de recommandation générale. Lorsque les entreprises prennent une décision, elles doivent prendre en compte des facteurs importants tels que le temps de réponse, la disponibilité du réseau et les coûts. Nous sommes heureux de vous aider dans cette démarche.

Lisez dans notre deuxième article « Qualité prédictive : solution Edge or Cloud », comment les solutions edge peuvent être utilisées malgré leur faible puissance de calcul et quels sont encore les inconvénients majeurs qui existent par rapport au cloud.

LeanBI dans les médias sur le sujet :

Vision par ordinateur dans les entreprises industrielles

La qualité des systèmes de vision par ordinateur dépend fortement de la technique de prise de vue utilisée. Chaque entreprise industrielle doit tenir compte de ses propres exigences et conditions.

Utilisez notre liste de contrôle pour trouver la solution qui vous convient.

www.m-q.ch: Vision par ordinateur dans les entreprises industrielles

Blog

Modernisation numérique des systèmes existants – ouvrir la porte vers l’industrie 4.0

Les parcs de machines et d’installations sont indispensables pour de nombreuses entreprises, mais beaucoup d’entre eux ne sont plus à la pointe de la technologie. Ces systèmes dits hérités ont une lacune, ils n’ont pas la connectivité nécessaire pour les intégrer dans les flux de travail numériques. Dans notre blog, nous vous montrons les effets positifs d’une modernisation numérique sur trois scénarios d’application.

Avec l’avancée de la numérisation, de nombreuses entreprises de l’environnement industriel sont confrontées à un défi majeur : comment intégrer les systèmes existants ? Il leur manque deux facteurs essentiels: les capteurs et l’interface de données. La mise à niveau des systèmes existants avec les capteurs et la technologie de contrôle nécessaires permet une modernisation numérique. Cela augmente non seulement les performances, mais améliore également le taux de qualité.

Les scénarios d’application pour une rénovation numérique sont vastes. Vous aviez déjà reçu un premier aperçu dans notre blog « Intégration des systèmes existants grâce à la modernisation numérique ». À l’aide de trois autres exemples, nous vous montrerons maintenant l’utilisation pratique du rétrofit et ses effets positifs:

1. Production de métaux: Il est impératif de détecter les fluctuations de qualité dans la fabrication de produits métalliques tels que des tubes, des composants ou des parties de carrosserie à un stade précoce. Grâce à un rétrofit numérique qui équipe les anciens systèmes de capteurs appropriés, les fluctuations de production peuvent être minimisées. Le contrôle de la production peut être conçu pour être réactif, en adaptant aux fluctuations mesurés par les capteurs. En conséquence, un historique traçable peut également être assurée tout au long du processus de production. La combinaison de l’acquisition décentralisée et de l’analyse centralisée des données peut également contribuer à la réduction des rejets et à une production plus rentable.
2. Traitement de surface : En combinant la modernisation numérique avec la maintenance prédictive, les temps d’usure des outils d’usinage peuvent être mieux prévus. L’utilisation de capteurs supplémentaires associés à l’analyse optimise les processus de plusieurs manières: d’une part, les composants fortement sollicités peuvent être utilisés plus longtemps dans le traitement de surface, d’autre part, la consommation de matériaux et les temps d’arrêt sont réduites.
3. Production électronique : Avec la mise à niveau des systèmes existants grâce à une modernisation numérique, des méthodes de test très complexes et basées sur l’IA peuvent être utilisées pour la détection précoce des défaillances de composants dans le processus de production. Cela augmente non seulement le taux de productivité, mais aide également à comprendre et à corriger les anomalies émergentes.

La modernisation technologique durable est un pionnier important pour l’industrie 4.0. Sans eux, des systèmes hérités et des installations de production précieux et parfois indispensables seraient perdus, ce qui s’accompagnerait d’une immense perte de valeur.

Avons-nous suscité votre intérêt ? Contactez-nous et il nous fera plaisir de répondre à vos questions.

Blog

Intégration des systèmes existants grâce à la modernisation numérique

Numériser des parcs de machines et d’usines sans traîner de vieux boulets? Le rêve de toute entreprise. Cependant, il ne s’agit souvent pas d’un renouvellement complet, mais de la conversion et de l’intégration de divers systèmes hérités dans des procès de travail numériques. Dans ce blog, nous vous montrons les effets positifs d’une modernisation numérique à l’aide de trois exemples de scénarios d’application.

La numérisation avance à grand pas – l’une des plus grandes entraves dans l’environnement industriel est l’intégration des systèmes existants. Il manquent cependant souvent deux conditions préalables sans lesquelles il n’est pas possible d’optimiser les temps de planification et de changement, d’augmenter les performances et la disponibilité, d’améliorer le taux de qualité et de mettre en œuvre une maintenance prédictive : La technologie des capteurs pour la collecte de données ainsi qu’une interface pour leur transmission manquent. Avec une modernisation numérique, les systèmes existants peuvent être équipés de la technologie de capteur et de contrôle nécessaire.

Dans la première partie, nous vous présentons trois scénarios pratiques et les effets positifs potentiels d’une modernisation numérique :

1. Intralogistique: Avec l’essor du commerce en ligne, le volume d’expédition a également augmenté rapidement, accompagné d’une grande pression sur les installations logistiques qui, en raison de leurs structures (partiellement) analogiques, n’arrivent pas à suivre cette évolution. Contrairement à une modernisation de systèmes existants, la construction ou l’acquisition de bâtiments et/ou de nouveaux systèmes supplémentaires prend beaucoup de temps. Cela signifie qu’une modernisation numérique n’est pas seulement souvent plus rapide, mais aussi plus rentable et plus économe en ressources. Comme cerise sur le gâteau, la durée de vie des systèmes existants est également prolongée.
2. Lignes d’assemblage: De nombreux producteurs de produits tels que les fournisseurs automobiles ou les fabricants de vélos sont confrontés à un défi majeur: comment respecter les délais de livraison malgré la forte demande, tout en couvrant une variété croissante des produits? Une défaillance d’une pièce de la ligne de production entraîne l’arrêt de lignes, voir d’usines complètes, le non-respect des délais de livraison risquant des sanctions élevées. Grâce à la maintenance prédictive, les défaillances possibles peuvent être détectées avant qu’elles deviennent problématiques. À l’aide d’une modernisation des systèmes existants, qui rend cela possible, les délais de livraison peuvent être assurées, la production augmentée et la satisfaction du client conservée.
3. Industrie de l’emballage : Le fait que de nombreuses machines soient connectées en série distingue l’industrie de l’emballage, mais comporte également le risque qu’une ligne complète s’arrête en cas de panne. Ici aussi, les interruptions imprévues et les travaux de maintenance planifiés peuvent être réduits à l’aide de la modernisation et de la maintenance prédictive. Par exemple, les systèmes existants peuvent utiliser des capteurs pour vérifier automatiquement la qualité de l’emballage de différents produits et ainsi réduire le taux de rejet.

Avec une modernisation numérique, on crée non seulement les conditions préalables importantes pour l’intégration des systèmes existants dans les flux de travail numériques, mais on prépare également la voie pour l’industrie 4.0. Nous serions heureux de vous supporter.

Vous souhaitez en savoir plus sur l’intégration des systèmes existants par le biais d’une modernisation numérique ? Notre deuxième article de blog «Modernisation numérique des systèmes existants – ouvrir la porte vers l’industrie 4.0», nous présentons d’autres exemples d’applications.