IOT et industrie : 3 façons dont l'IA améliore la fabrication

Illustration: © IoT For All Dans une récente enquête sur les perspectives de l'industrie manufacturière sur l'intelligence artificielle (IA), 44% des répondants des secteurs de l'automobile et de la fabrication ont qualifié l'IA de «très importante» pour la fonction de fabrication au cours des cinq prochaines années, alors que près de la moitié … 49 pour cent – ont dit qu'il était «absolument essentiel au succès». Les sons critiques sont impressionnants. Pourtant, dans de nombreux cas, l'IA est difficile à comprendre pour les fabricants, car l'industrie de la technologie l'a peinte avec un pinceau si large que peu de gens comprennent réellement comment elle devient instanciée – au-delà d'une source omnipotente offrant de meilleurs résultats commerciaux. très complexe et coûteux, nécessitant des systèmes de bout en bout dans l'ensemble de leur entreprise pour fonctionner correctement, ce qui se traduit par une refonte coûteuse de l'ensemble de leurs opérations IT / OT. La réalité est que l'IA est beaucoup plus ciblée et réalisable. L'IA peut fonctionner dans les usines avec une construction minimale et se connecter aux machines via l'Internet des objets industriel (IIoT) .La première chose que les OEM doivent comprendre en ce qui concerne les implémentations de l'IA est le type de cas d'utilisation à privilégier. La majorité des machines de pointe sur le site de fabrication sont en cours de réoutillage pour envoyer des données via des capteurs sans fil dans le cadre de l'IoT. Ces données sont ensuite introduites dans des suites logicielles pour le «crunching». Le processus d'alimentation des données devient un processus continu pour créer un réseau de données en constante expansion. Toutes ces données peuvent être stockées dans le cloud pour recueillir des informations, ce qui rend possibles les modèles basés sur l'IA.Voici trois cas d'utilisation qui peuvent aider à effacer les doutes des fabricants sur la puissance de l'IA: 1. Disponibilité des machines Les lignes d'emballage de biens de consommation fonctionnent 24h / 24 et 7j / 7, produisant des millions de cartons de tailles variées pour emballer différents produits de consommation. Il est crucial de continuer à les produire sans aucune panne ni aucun problème de qualité. La vitesse et la qualité sont de la plus haute importance. La surveillance manuelle est sujette aux erreurs, coûteuse et inefficace.Les données collectées via un système IIoT fournissent des informations en temps réel 24h / 24 et 7j / 7 sur le débit de la ligne de production et les pannes d'équipement grâce à une visualisation et des alertes personnalisées. (L'IA peut éventuellement vous aider à comprendre les trésors de données que vous collecterez.) Ces données sont traitées sur une passerelle périphérique pour identifier rapidement les anomalies et envoyer des alertes instantanées. Les données plus volumineuses sont agrégées dans une plate-forme IoT basée sur le cloud pour des analyses prédictives supplémentaires et des modèles basés sur les comportements et les règles définis. Le système fournirait un tableau de bord personnalisé et des rapports avec le temps d'inactivité de la machine, les codes de motif de panne et les données OEE globales. De cette façon, la direction est mieux équipée pour planifier les opérations afin d'éviter le temps d'inactivité de la machine et pour appliquer la maintenance prédictive. 2. Optimisation des coûts Un fabricant de capteurs basé aux États-Unis, SpectraSymbol, a produit l'un des meilleurs capteurs et potentiomètres linéaires de l'industrie, s'adressant au marché de l'énergie. En tant que processus, dans les puits de pétrole éloignés, lorsque le pétrole et l'eau sont pompés dans des réservoirs, le niveau de pétrole et d'eau doit être mesuré. Concernant cette opération de forage pétrolier, la société avait un besoin exprès d'optimisation continue des coûts en exploitant les données IIoT pour prolonger plus économiquement la durée de vie utile des puits de pétrole marginaux, également appelés «puits de décapage». Étant donné que les volumes de production de pétrole ne sont pas élevés, le plus gros problème est que les puits ne produisent pas suffisamment de pétrole pour mériter des investissements uniformes dans les capteurs de données, et le modèle de coût a dû être réduit pour eux. Les puits sont également situés à distance, ce qui augmente les coûts et les délais. Les coûts d'installation des capteurs à ces puits sont également extrêmement élevés, ajoutant 60% au coût. Pour les opérations plus petites et les puits de fin de vie plus éloignés, un retour sur investissement rapide était essentiel pour justifier la mise en œuvre de l'IoT. Une plate-forme logicielle IIoT pour le stockage et le traitement de toutes les données de la machine a été mise en place pour les multiples puits de pétrole de SpectaSymbol. Il a créé un «lac de données» où les données pertinentes sont stockées dans le cloud. Les données analysées grâce à l'apprentissage automatique piloté par l'IA ont été le catalyseur d'une application personnalisée axée sur l'entreprise, expressément conçue pour évaluer les performances des puits et la surveillance des conditions grâce à l'analyse de l'IA. En conséquence, des rapports spécifiques sont disponibles pour toutes les parties prenantes, et les puits de décapage sont optimisés pour la disponibilité et les performances. Amélioration de la qualité prédictive Une entreprise chimique, SRF, souhaitait améliorer sa productivité et ses opérations de fabrication grâce à la transformation numérique compatible IoT. Pour y parvenir, SRF a dû connecter des processus critiques dans la fabrication de leurs films d'emballage et textiles techniques. Les objectifs étaient d'améliorer la qualité en analysant les paramètres essentiels au processus de fabrication, d'améliorer leur consommation de carburant et de mettre en œuvre une réduction de la consommation d'énergie, en plus de réduire les ruptures de ligne. La productivité de l'usine de SRF pourrait être améliorée en prévoyant les arrêts à l'aide de la surveillance de l'état. Le «lac de données» résultant, créé à partir d'entrées via le processus de fabrication, a été intégré à l'ERP de SRF pour boucler la boucle sur l'ensemble de la chaîne de valeur de fabrication. L'IA était au cœur du projet, car les techniques d'apprentissage automatique ont été utilisées pour prendre en charge un ensemble flexible et multivarié analyses statistiques. Plus précisément, les données machine en temps réel ont été utilisées comme boucle de rétroaction pour définir plus précisément les paramètres optimaux de la machine afin d'assurer la qualité du produit et la fiabilité de la machine. Le résultat a été la capacité de SRF à surveiller et analyser les paramètres qui sont essentiels à la santé de la machine et à optimiser les temps d'arrêt de la machine en prédisant la défaillance avant qu'elle ne se produise. Commencer par une expérience ou un pilote réalisable Lorsqu'il s'agit de savoir exactement comment l'IA améliore l'intelligence de fabrication, la clé est de commencer par une direction réalisable, comme présenté dans les trois cas d'utilisation ici. Que vous cherchiez à obtenir un temps de fonctionnement de la machine, à minimiser les coûts ou à augmenter l'efficacité opérationnelle, l'apprentissage automatique via des données hébergées dans le cloud peut avoir un rôle important à jouer.Écrit par Vinay Nathan, fondateur et PDG d'Altizon Systems.

Laisser un commentaire