Internet Industriel des Objets IIOT : 10 façons dont l'IA améliore la fabrication en 2020

Getty
  
 
 
 
 La maintenance et la qualité des machines sont aujourd'hui les principaux projets de transformation de l'IA dans les opérations de fabrication, selon Capgemini.
 La division Marine de Caterpillar économise 400 000 $ par navire et par an après un apprentissage automatique des données analysées sur la fréquence de nettoyage des coques pour une efficacité maximale.
 Le BMW Group utilise l'IA pour évaluer les images des composants dans les lignes de production en cours afin de repérer les écarts par rapport à la norme en temps réel.
 
 
Percevoir la réinitialisation matérielle des pandémies comme une chance de devenir plus fort, plus résilient et plein de ressources domine la mentalité des fabricants qui continuent de doubler sur les pilotes analytiques et axés sur l'IA.
En combinant l'expérience humaine, la perspicacité et les techniques d'IA, ils découvrent de nouvelles façons de se différencier tout en réduisant les coûts et en protégeant les marges. Et ils sont tous prêts à relever le défi de continuer à croître dans une période économique difficile. Ils ne sont pas seuls à accepter ce défi. L'étude récente de Boston Consulting Group, The Rise of the AI-Powered Company in the Postcrisis World, a révélé que lors des quatre ralentissements économiques mondiaux précédents, 14% des entreprises ont pu augmenter à la fois la croissance des ventes et les marges bénéficiaires, comme le montre le graphique suivant:
 
 
  
   
  
  
  The Rise of the AI-Powered Company in the Postcrisis World, Boston Consulting Group, 2 avril 2020
  
 
L'IA est au cœur de l'avenir en temps réel de la fabrication
La surveillance en temps réel offre de nombreux avantages, notamment le dépannage des goulots d'étranglement de la production, le suivi des taux de rebut, le respect des dates de livraison des clients, etc. C'est une excellente source de données contextuellement pertinentes qui peuvent être utilisées pour former des modèles d'apprentissage automatique. Les algorithmes d'apprentissage automatique supervisés et non supervisés peuvent interpréter les données en temps réel de plusieurs équipes de production en quelques secondes et découvrir des processus, des produits et des schémas de flux de travail jusque-là inconnus.
 
Voici dix façons dont l'IA améliore la fabrication en 2020, sur la base de l'étude récemment publiée par Capgemini Scaling AI in Manufacturing Operations: A Practitioners Perspective et des entretiens avec des fabricants au cours des quatre derniers mois:
 
 
 29% des implémentations de l'IA dans la fabrication concernent la maintenance des machines et des actifs de production. L'équipe de recherche de Capgemini a constaté que prédire quand les machines / équipements sont susceptibles de tomber en panne et recommander des moments optimaux pour effectuer la maintenance (maintenance conditionnelle) est le cas d'utilisation le plus populaire de l'IA dans la fabrication aujourd'hui. General Motors analyse les images de caméras montées sur des robots d'assemblage, pour repérer les signes et les indications de composants robotiques défaillants avec l'aide de son fournisseur. Lors d'un essai pilote du système, il a détecté 72 cas de défaillance de composants sur 7 000 robots, identifiant le problème avant qu'il ne puisse entraîner des pannes imprévues. Le graphique suivant de l'étude illustre comment l'IA est utilisée pour la maintenance intelligente dans la fabrication:
 
 
 
  
   
  
  
  CAPGemini Scaling AI in Manufacturing Operations: A Practitioners Perspective
  
 
 
 
 Le système Dreamcatcher de General Motors est basé sur l'algorithme de conception générative d'Autodesk qui s'appuie sur des techniques d'apprentissage automatique pour prendre en compte les contraintes de conception et fournit une conception de produit optimisée. La logique d'optimisation des contraintes dans un environnement de conception CAO permet à GM d'atteindre l'objectif de prototypage rapide. Les concepteurs fournissent une définition des exigences fonctionnelles, des matériaux, des méthodes de fabrication et d'autres contraintes. GM et AutoDesk ont ​​personnalisé Dreamcatcher pour optimiser le poids et d'autres critères de produit clés essentiels pour les pièces conçues pour réussir avec la fabrication additive. La solution a récemment été testée avec le prototypage d'une pièce de support de ceinture de sécurité, qui a abouti à une conception monobloc 40% plus légère et 20% plus résistante que la conception originale à huit composants. Veuillez consulter l'analyse de cas de Harvard Business Review, Project Dreamcatcher : La conception générative peut-elle accélérer la fabrication additive? pour plus d'informations.
 
 
 
  
   
  
  
  Analyse de cas Harvard Business Review, Project Dreamcatcher: la conception générative peut-elle accélérer la fabrication additive?
  
 
 
 
 Nokia a introduit une application vidéo qui utilise l'apprentissage automatique pour alerter un opérateur d'assemblage en cas d'incohérences dans le processus de production. Nokia a lancé l'application vidéo qui utilise l'apprentissage automatique pour surveiller un processus de chaîne de montage dans l'une de ses usines à Oulu, en Finlande. Il alerte l'opérateur des incohérences dans le processus afin que les problèmes puissent être corrigés en temps réel. Veuillez consulter l'article Nokia revendique le premier essai d'usine intelligent 5G «réel» avec Telia et Intel pour plus de détails.
 
 
 
  
   
  
  
  Nokia revendique le premier essai d'usine intelligente 5G «réel» avec Telia et Intel
  
 
 
 
 L'analyse des images en temps réel pour effectuer les inspections de qualité des produits dans les secteurs de l'automobile et des produits de consommation aide également les fabricants à se conformer aux exigences réglementaires strictes. Les caméras haute résolution continuent de baisser de prix tandis que les logiciels et technologies de reconnaissance d'image basés sur l'IA continuent de s'améliorer. Ces deux facteurs et plus conduisent à une plus grande adoption de l'inspection en ligne en temps réel. Audi est un leader dans l'adoption de ces technologies, après avoir installé un système de reconnaissance d'image basé sur le deep learning dans son atelier de presse d'Ingolstadt. Le graphique suivant illustre le fonctionnement des flux de travail d'inspection de la qualité des produits en temps réel:
 
 
 
  
   
  
  
   Capgemini Scaling AI in Manufacturing Operations: A Practitioners Perspective
  
 
 
 
 L'amélioration de la précision des prévisions de la demande montre des résultats solides dans plusieurs secteurs, les fabricants de biens de consommation courante étant en tête de tous les autres. Le Groupe Danone est un fabricant multinational de produits alimentaires français qui utilise aujourd'hui un système d'apprentissage automatique pour améliorer la précision de ses prévisions de demande. Ils utilisent l'apprentissage automatique pour améliorer la coordination de la planification entre le marketing, les ventes, la gestion des comptes, la chaîne d'approvisionnement et les finances, ce qui conduit à des prévisions plus précises. Grâce à l'apprentissage automatique, Danone peut répondre à la demande des promotions de produits et atteindre ses niveaux de service cibles pour les stocks au niveau des canaux ou des magasins. Le système a permis de réduire de 20% les erreurs de prévision, de 30% les pertes de ventes, de 30% l'obsolescence des produits et de 50% la charge de travail des planificateurs de la demande. Voici un aperçu de la conception actuelle des systèmes de planification et de prévision de la demande basés sur l'apprentissage automatique:
 
 
 
  
   
  
  
   Capgemini Scaling AI in Manufacturing Operations: A Practitioners Perspective
  
 
 
 
 Thales SA, l'un des principaux fournisseurs de systèmes électroniques pour un large éventail d'industries, utilise le machine learning pour prévoir la maintenance préventive des lignes ferroviaires à grande vitesse dans toute l'Europe. La société recueille des données historiques et actuelles sur des milliers de capteurs, de pièces de train et l'état actuel des sous-systèmes à travers les systèmes ferroviaires transcontinentaux européens. En s'appuyant sur les données, il a développé un algorithme d'IA pour prédire les problèmes potentiels et identifier quand des pièces spécifiques doivent être remplacées, atteignant un haut niveau de fiabilité dans le processus. Ce qui suit est un tableau de bord de leur outil TIRIS Big Data Analytics pour la maintenance prédictive, aidant l'industrie ferroviaire à atteindre une approche d'arrêt non planifié zéro.
 
 
 
  
   
  
  
  Outil d'analyse de Big Data Thales SA TIRIS pour la maintenance prédictive
  
 
 
 
 Le groupe BMW utilise l'IA pour évaluer les images des composants de sa ligne de production, ce qui lui permet de repérer, en temps réel, les écarts par rapport aux normes de qualité. Dans la zone d'inspection finale de l'usine BMW Group Dingolfing, une application AI compare les données de commande du véhicule avec une image en direct de la désignation du modèle de la voiture nouvellement produite. Les désignations de modèle et autres plaques d'identification, telles que «xDrive» pour les véhicules à quatre roues motrices, ainsi que toutes les combinaisons généralement approuvées, sont stockées dans la base de données d'images. Si l'image en direct et les données de commande ne correspondent pas, par exemple, si une désignation est manquante, l'équipe d'inspection finale reçoit une notification. Pour plus de détails sur la façon dont BMW innove avec l'IA dans ses nombreux centres de production, veuillez consulter l'article, Rapide, efficace, fiable: l'intelligence artificielle dans la production du groupe BMW. Le groupe BMW partage également ses algorithmes d'IA utilisés en production sur une plate-forme open source. Des détails supplémentaires sur l'open source de leurs algorithmes d'IA peuvent être trouvés ici. Voici un exemple de la technologie de correspondance d'images basée sur l'IA que BMW utilise aujourd'hui:
 
 
 
  
   
  
  
  Rapide, efficace, fiable: l'intelligence artificielle dans la production du groupe BMW
  
 
 
 
 Schneider Electric a créé une solution d'analyse IoT prédictive basée sur le service Microsoft Azure Machine Learning et Azure IoT Edge pour améliorer la sécurité des travailleurs, réduire les coûts et atteindre les objectifs de durabilité. Les scientifiques des données de Schneider Electric utilisent les données du champ pétrolier pour construire les modèles qui prédisent quand et où la maintenance est nécessaire. Les scientifiques des données utilisent des capacités d'apprentissage automatique automatisées pour sélectionner intelligemment les modèles d'apprentissage automatique optimaux et régler automatiquement les hyperparamètres des modèles de machine pour gagner du temps et améliorer l'efficacité. Lorsque la société a déployé la solution basée sur le service Azure Machine Learning, elle a aidé les opérateurs à augmenter leur efficacité de 10 à 20% en seulement deux jours. Veuillez consulter l'article, Schneider Electric minimise les coûts et les risques pour les employés avec la maintenance prédictive du service Azure Machine Learning pour plus de détails. Voici un diagramme illustrant l'implantation d'IoT Edge Analytics, qui inclut le service Azure Machine Learning:
 
 
 
  
   
  
  
   Schneider Electric minimise les coûts et les risques pour les employés avec la maintenance prédictive du service Azure Machine Learning
  
 
 
 
 Nissan pilote l'utilisation de l'intelligence artificielle pour concevoir de nouveaux modèles en temps réel, dans l'espoir de réduire les délais de commercialisation pour la série de modèles de prochaine génération. Nissan appelle le programme DriveSpark, et il existe depuis quatre ans. Les concepteurs de Nissan utilisent le système DriveSpark pour créer des modèles entièrement nouveaux qui sont conformes aux dernières exigences réglementaires et de conformité de l'industrie. Ils ont également utilisé l'IA pour prolonger le cycle de vie des modèles existants. Pour plus d'informations, consultez l'article DriveSpark, «Nissan's Idea: Let An Artificial Intelligence Design Our Cars», septembre 2016.
 Canon a inventé un système avancé de reconnaissance des défauts des actifs qui apporte de nouveaux niveaux de contrôle qualité à ses centres de fabrication. Canon combine l'expertise humaine, la perspicacité et les techniques d'IA, y compris l'apprentissage automatique, la vision par ordinateur et la modélisation prédictive, pour aider à augmenter la précision et l'efficacité des tests de pièces de haute précision des machines. Les fabricants de pièces de précision dans des secteurs tels que l'automobile et les transports, l'aérospatiale et la défense, le pétrole et le gaz et la construction exigent souvent un processus d'inspection post-assemblage rigoureux. Les composants de fabrication de Canon sont examinés de près à l'aide de radiographies industrielles (images radiographiques) et d'images pour vérifier l'intégrité de chaque pièce et sa structure interne. Grâce à la vision par ordinateur et à l'apprentissage automatique, le système de technologie de reconnaissance assistée des défauts peut analyser intelligemment les images des pièces inspectées, identifier automatiquement les défauts potentiels, même ceux qui peuvent être manqués par l'œil humain et apprendre et améliorer la précision de la technologie, sur la base de l'acceptation ou des corrections humaines. des résultats. Vous trouverez ici des détails supplémentaires sur les initiatives technologiques de Canon dans la zone Intelligence artificielle / Apprentissage automatique de leur site.
 
 
Lecture supplémentaire:
Rapport sur les tendances de fabrication 2019, Microsoft (PDF, 72 p., Sans option)
Accenture, Manufacturing The Future, L'intelligence artificielle alimentera la prochaine vague de croissance pour les sociétés d'équipements industriels (PDF, 20 p., Pas de participation)
Anderson, M. (2019). Apprentissage automatique dans la fabrication. Conception et production automobile, 131 (4), 30-32.
Bruno, J. (2019). Comment l'IIoT peut changer les modèles commerciaux. Génie de la fabrication, 163 (1), 12.
Permettre une transformation numérique et analytique dans la fabrication de l'industrie lourde, McKinsey & Company, 19 décembre 2019
Gouvernance et économie de la gestion, 7 (2), 31-36.
Greenfield, D. (2019). Conseils sur la mise à l'échelle des projets IIoT. ProFood World
Hayhoe, T., Podhorska, I., Siekelova, A., et Stehel, V. (2019). Fabrication durable dans l'industrie 4.0: réseaux intersectoriels de chaînes d'approvisionnement multiples, systèmes de production cyberphysiques et prise de décision axée sur l'IA. Journal of Self-
L'avantage rapide de l'industrie: la valeur d'entreprise des usines numériques, McKinsey & Company, 10 janvier 2020
Kazuyuki, M. (2019). Numérisation des processus de fabrication et innovation ouverte: résultats de l'enquête auprès des petites et moyennes entreprises au Japon. Saint-Louis: Banque fédérale de réserve de Saint-Louis.
Machine Learning in Manufacturing – Present and Future Use-Cases, Emerj Artificial Intelligence Research, dernière mise à jour le 20 mai 2019, publiée par Jon Walker
L'apprentissage automatique, l'IA sont les technologies de chaîne d'approvisionnement les plus percutantes. (2019). Manutention et logistique
Les fabricants de «phares» ouvrent la voie – le reste du monde peut-il suivre? McKinsey & Company, 7 janvier 2019
MAPI Foundation, The Manufacturing Evolution: How AI Will Transform Manufacturing & the Workforce of the Future par Robert D. Atkinson, Stephen Ezell, Information Technology and Innovation Foundation (PDF, 56 p., Opt-in)
Cartographie des opportunités de fabrication numérique de l'industrie lourde, McKinsey & Company, 24 septembre 2018
McKinsey, fabricants de «phares», montre la voie – le reste du monde peut-il suivre?, Par Enno de Boer, Helena Leurent et Adrian Widmer; Janvier 2019.
McKinsey, AI in production: Un changement de jeu pour les fabricants aux actifs lourds, par Eleftherios Charalambous, Robert Feldmann, Gérard Richter et Christoph Schmitz
McKinsey, Digital Manufacturing – échapper au purgatoire du pilote (PDF, 24 p., Pas d'adhésion)
McKinsey, Driving Impact and Scale from Automation and AI, février 2019 (PDF, 100 p., Pas d'adhésion).
McKinsey, Manufacturing: Analytics leashes productivité and profitability, par Valerio Dilda, Lapo Mori, Olivier Noterdaeme et Christoph Schmitz, mars 2019
McKinsey / Harvard Business Review, la plupart des utilisations commerciales de l'IA se feront dans deux domaines,
Morey, B. (2019). Fabrication et IA: promesses et pièges. Génie de la fabrication, 163 (1), 10.
Préparer la prochaine normale grâce au potentiel de mise à l'échelle de la fabrication numérique, McKinsey & Company, 10 avril 2020
Réduire les barrières à l'entrée dans les analyses avancées. (2019). Manufacturing.Net,
Scaling AI in Manufacturing Operations: A Practitioners Perspective, Capgemini, janvier 2020
La surveillance en temps réel de sept façons stimule la fabrication intelligente. (2019). Manufacturing.Net,
Siemens, Next Level AI – Powered by Knowledge Graphs and Data Thinking, Siemens China Innovation Day, Michael May, Chengdu, 15 mai 2019
Smart Factories: Issues of Information Governance Manufacturing Policy Initiative School of Public and Environmental Affairs Indiana University, mars 2019 (PDF, 68 p., Pas de participation)
S'intégrer à l'intelligence artificielle (IA) – Quels avantages pour l'Allemagne et son secteur industriel? (52 p., PDF, pas d'adhésion) McKinsey & Company.
L'équipe prédit la durée de vie utile des batteries avec données et IA. (2019, 28 mars). R & D.
L'avenir de l'IA et de la fabrication, Microsoft, Greg Shaw (PDF, 73 p., PDF, pas d'adhésion).
The Rise of the AI-Powered Company in the Postcrisis World, Boston Consulting Group, 2 avril 2020
Top 8 des cas d'utilisation de la science des données dans la fabrication, ActiveWizards: une société d'apprentissage automatique Igor Bobriakov, 12 mars 2019
Walker, M. E. (2019). Armé d'analyses: la fabrication comme art martial. Semaine de l'industrie
Wang, J., Ma, Y., Zhang, L., Gao, R. X., et Wu, D. (2018). Apprendre en profondeur pour une fabrication intelligente: méthodes et applications. Journal of Manufacturing Systems, 48, 144–156.
Zulick, J. (2019). Comment l'apprentissage automatique transforme la production industrielle. Conception de la machine

Laisser un commentaire