IOT et industrie : Comment l'IA et l'IIoT sensibilisent davantage l'industrie automobile

Rien de bon ne vient généralement de quelque chose de cassé. C’est déjà déjà assez de devoir faire face à des problèmes dans l’usine: le fabricant moyen gère environ 800 heures d’arrêt par an, ce qui se traduit par une perte de revenus de près d’un million de dollars.
Ce qui est encore plus coûteux, c’est lorsque les constructeurs automobiles doivent faire face à des problèmes sur la route. En 2014, plus de 64 millions de véhicules ont été retirés du marché en raison de défauts. Depuis le début de 2018, nous avons vu Tesla rappeler 123 000 voitures Model S; Ford rappelle près de 350 000 camionnettes et expéditions de la série F; et Toyota rappellent 21 000 voitures Toyota et Lexus.

Les rappels coûtent cher. La technologie et la simulation connectées peuvent non seulement imiter la vie réelle, mais également offrir une cote de confiance. Par exemple, il peut y avoir un niveau de confiance de 10% selon lequel une courroie doit être remplacée dans les cinq prochains jours. Cette maintenance ne semble pas trop inquiétante, elle est donc ignorée. Trois jours plus tard, un logiciel pourrait montrer que le niveau de confiance a augmenté à 95% que la machine a besoin d'une nouvelle courroie. Cela évite non seulement les temps d'arrêt dus à la rupture des machines, mais avertit les techniciens avant qu'une machine ne commence à produire des pièces qui sont hors tolérance et devraient être mises au rebut.
Après l'annonce de Tesla seulement, les actions ont chuté de 4% – une baisse d'autant plus pertinente en juin lorsque près de 10% de la main-d'œuvre mondiale de l'entreprise a été licenciée, alors qu'elle cherche à stabiliser le navire et à regagner la confiance des investisseurs dans son modèle commercial. En fin de compte, les rappels, les erreurs et les pièces cassées font les gros titres dans le monde entier, coûtant des millions de dollars aux marques en réparations et en dommages à la réputation indicibles.
Pendant des années, l'approche conventionnelle était de réparer ce qui était cassé. Ensuite, de plus en plus de fabricants ont commencé à adopter une approche préventive qui a utilisé une combinaison de modèles basés sur la physique des machines et la connaissance des défaillances passées pour déterminer à quel intervalle un type particulier de machine doit probablement être réparé afin de détecter les problèmes connus à temps. Cette approche était efficace pour traiter les problèmes connus, mais n’a pas pu détecter les problèmes inconnus qui se produisent beaucoup plus souvent sur le terrain.
Maintenant, avec les progrès de l'apprentissage cognitif et la prolifération des capteurs IoT sur les lignes de production, nous entrons dans une nouvelle étape de la maintenance prédictive. C'est là que l'IA, l'apprentissage automatique et l'analyse prédictive peuvent permettre aux fabricants d'obtenir une visibilité et un contrôle complets des processus de fabrication, non seulement pour se préparer aux problèmes connus, mais aussi pour prédire et prévenir efficacement l'inconnu.

Non seulement les logiciels de simulation peuvent aider à éviter les rappels, mais la collecte de données sur les voitures sur le terrain peut indiquer aux utilisateurs quand une maintenance est nécessaire avant qu'ils ne se retrouvent bloqués. (Sur la photo: Dodge Challenger SRT Demon 2018)
Prédire de l'usine à la route. Nous ne pouvons pas encore remonter le temps, malgré toutes les avancées technologiques. Cependant, ce que nous pouvons faire est presque aussi impressionnant. Les nouvelles technologies cognitives peuvent analyser les données d'une manière qu'on n'aurait jamais cru possible. La modélisation manuelle des données précédente permettait aux fabricants d'utiliser les échecs passés pour prédire les échecs futurs. Les plates-formes basées sur l'IA utilisent l'apprentissage cognitif qui utilise non seulement les échecs du passé pour s'enseigner eux-mêmes, mais peuvent également apprendre à anticiper ceux qui ne se sont jamais produits auparavant. L'importance de cela ne peut pas être sous-estimée, car bon nombre des problèmes qui provoquent des rappels ont tendance à être nouveaux.
En apprenant elles-mêmes avec les données des capteurs, les applications cognitives sont capables d'apprendre les conditions de fonctionnement conventionnelles et les influences environnementales sur les machines à un niveau micro, allant au-delà des macro-modèles que le cerveau humain a tendance à repérer. Cela signifie que les micro-anomalies et les petits changements qui peuvent ne pas être détectés dans le processus de contrôle qualité peuvent désormais être identifiés automatiquement au fur et à mesure qu'ils se produisent. De cette manière, les pannes ou les pannes peuvent être prédites à l'avance, avant qu'elles ne déclenchent des rappels ou provoquent des temps d'arrêt.
Afin de s'assurer que la technologie est utilisée le plus efficacement possible, les fabricants devraient chercher à la déployer sur un certain nombre de points de contact dans le processus de production. Au cours du processus de fabrication initial, la maintenance prédictive cognitive peut identifier et partager des alertes sur les défauts en ligne. Cela permet de résoudre les problèmes bien avant la mise sur le marché du produit.
S'occuper également des acteurs des coulisses. Ce ne sont pas seulement les véhicules destinés aux consommateurs qui peuvent être surveillés. La maintenance prédictive cognitive permet également aux machines de la ligne de production utilisées pour construire les pièces de continuer à fonctionner correctement. En utilisant l'IoT industriel et des capteurs trouvés dans les usines de fabrication de nos jours, nous pouvons désormais comprendre l'état de santé d'une machine dans les moindres détails. Ceci est réalisé par la création de «jumeaux numériques», qui sont des copies numériques granulaires de machines physiques.
Cela signifie que vous pouvez avoir une simulation numérique exacte de toutes vos machines physiques fonctionnant conjointement à tout moment, donnant à votre machine les outils nécessaires pour voir son propre avenir du point de vue de la maintenance. L'introduction de l'apprentissage cognitif dans ce processus signifie que le jumeau numérique est capable d'analyser et de rendre compte de sa propre santé, aidant à résoudre les problèmes bien avant qu'ils ne surviennent.
Mais qu'en est-il de la mise sur le marché du produit? Le rôle de la maintenance prédictive ne s'arrête pas une fois le véhicule sorti de l'usine. Sur le terrain, le modèle de maintenance prédictive cognitive peut être dérivé de plusieurs sources de données, comme les données collectées à partir des véhicules connectés et des enregistrements de service; les données de test sur les pièces qui ont été remplacées; et même des facteurs externes comme les conditions météorologiques, les conditions routières, l'attention et les capteurs biométriques pour les conducteurs et les médias sociaux. Ces données peuvent être utilisées pour identifier et résoudre les problèmes plus rapidement, soit pour éviter complètement une panne, soit pour lancer la procédure de maintenance plus tôt et mieux planifier l'inventaire des pièces et la disponibilité du personnel sur le terrain.
Regarder vers l'avant. L'utilisation de la maintenance prédictive cognitive n'est pas un luxe ou un jouet réservé aux plus grands fabricants. Cette technologie devient essentielle dans une industrie où le moindre avantage peut signifier des millions de dollars. La partie la plus excitante est que ce n'est que le début en termes de destination de la technologie cognitive dans l'industrie automobile.
Ruban Phukan est VP Product, Cognitive-First chez Progress.

Laisser un commentaire