IOT et industrie : De la maintenance prédictive, de l'IA et des révolutions industrielles

La maintenance prédictive peut être délicate, mais elle est certainement plus simple que de prévoir la prochaine révolution industrielle.

À quel point l’intelligence artificielle est-elle transformatrice? Cette question apparemment simple peut être difficile à répondre.

Tout d’abord, le terme a souvent une signification nébuleuse. Souvent, le terme est l’abréviation de «intelligence générale artificielle» ou «IA forte». Dans cette construction théorique, l’intelligence non organique a la capacité de raisonner et d’effectuer un éventail de tâches. C’est aussi ce type d’IA qu’Hollywood a référencé dans des films comme « The Terminator », ainsi que la variété qui suscite des craintes dystopiques chez Elon Musk et Bill Gates. Mais la question de savoir quand une telle forme d’IA va exister est impossible à répondre de manière décisive. Gartner explique qu’il faudra probablement des décennies avant que les chercheurs ne créent des machines capables d’approximer le raisonnement humain, même si les machines formées à des tâches étroites peuvent éclipser les humains dans des jeux intellectuels tels que les échecs et, plus récemment Aller. Martin Ford, auteur de «Architects of Intelligence: La vérité sur l’IA des gens qui la construisent», a déclaré que la plupart des experts estiment qu’une IA forte est une chose décidément imprévisible.

Il en va de même, semble-t-il, des révolutions industrielles. Alors que des concepts tels que Industrie 4.0 suggèrent largement que la convergence de l’IA, de l’IdO et d’autres technologies pourrait favoriser la prochaine révolution industrielle, la productivité des pays occidentaux est atone depuis des décennies. Aux États-Unis, la production industrielle des usines, des mines et des services publics a reculé de 0,1% en mars, WSJ pour le dire, « renforce la vision selon laquelle la fabrication a touché un point faible ».

Mais alors que le macrocosme industriel, mesuré par divers indices de productivité, avance, il y a un nombre croissant d’histoires de réussite émergeant d’entreprises industrielles adoptant les technologies IIoT en tandem avec l’apprentissage automatique. La startup FogHorn, par exemple, a aidé la société japonaise d’électronique industrielle Daihen à supprimer 1 800 heures de saisie manuelle de données dans une seule usine. Et une grande entreprise de boissons a économisé l’équivalent d’un million de canettes de bière grâce à maintenance prédictive d’un seul coup. L’entreprise a installé la technologie de surveillance des machines de la société Augury, qui associe des capteurs sans fil de vibration, ultrasoniques, de température et magnétiques à l’apprentissage automatique pour détecter les problèmes de machine pour une gamme de machines industrielles, y compris celles utilisées par les brasseries. « Et nous avons détecté une usure sévère des roulements sur une remplisseuse – la machine qui remplit les canettes de bière », a déclaré Saar Yoskovitz, cofondateur et directeur général d’Augury. «La découverte a permis à la brasserie de résoudre le problème pendant les temps d’arrêt prévus. « Parce qu’ils sont ouverts 24h / 24 et 7j / 7, ils n’ont pas de place pour les temps d’arrêt imprévus », a expliqué Yoskovitz. Mais le problème de roulement aurait finalement pu déclencher une panne qui a entraîné huit heures de perte de productivité. « Cela se traduit par 1 million de canettes de bière et 200 000 $ de revenus », a ajouté Yoskovitz.

Alizent, la filiale numérique d’Air Liquide, fournit un autre exemple de la puissance des technologies de l’Industrie 4.0. Intégrant la technologie OSIsoft, Air Liquide a créé il y a quelques années une plateforme d’optimisation d’usine connue sous le nom de SIO. Le logiciel PI d’OSIsoft sert de moteur de données intégré pour la plate-forme, qui permet la collecte et le raffinement des données pour l’analyse. «Air a obtenu un retour sur investissement en trois mois avec SIO et un retour sur investissement de 10 fois la première année», a écrit Michael Kanellos,

Analyste IoT et directeur principal des communications d’entreprise chez OSIsoft dans un e-mail. «Ils ont ensuite décidé de l’utiliser pour gérer les usines de manière éteinte (c’est-à-dire sans employés) en France et en Asie du Sud-Est.» Par la suite, Air Liquide a décidé de délocaliser le groupe numérique dans l’unité Alizent pour servir à la fois Air Liquide ainsi que d’autres sociétés.

Un autre exemple d’entreprise avec un ROI de transformation numérique rapide est le White House Utility District. L’un des principaux services d’eau et d’égouts du Tennessee, l’organisation a réduit les fuites d’eau d’environ 32% à 15%. Les économies d’eau ont également entraîné des millions de dollars d’économies. « Mais ils ont également réduit la gestion des données, économisant 30 000 $ par an », a déclaré Kanellos. «Ils ont reporté de 11 ans une nouvelle usine de 15 millions de dollars. La réputation de la communauté a augmenté. Les agences de notation ont même relevé leurs notes. »

Mark Willnerd, président-directeur général et président de la société industrielle de machine learning Toumetis, prévoit une prochaine augmentation de la productivité industrielle au cours des cinq prochaines années. « Grâce à des technologies comme l’apprentissage automatique, nous allons voir une grande amélioration », a-t-il déclaré. « [We could see a return of] Gains de productivité de type années 90 », a ajouté Willnerd, se référant à la décennie liée à l’augmentation rapide de la production.

Toumetis travaille avec une société d’énergie avec un gisement de pétrole que Willnerd espère pouvoir un jour devenir l’un des principaux sites de production au monde. Un facteur entravant la productivité du site est le manque de fiabilité des pompes électriques submersibles, qui peuvent mettre un puits hors de production. Mais si les experts en la matière qui surveillent les équipements de l’entreprise supervisent 1 500 puits et 100 signaux de données différents, ils peuvent facilement manquer des données indiquant une défaillance imminente de la pompe. « Ils ne savent pas quels puits vont tomber en panne quand », a déclaré Willnerd. « Mais si je peux prédire ceux qui vont échouer dans une fenêtre de 14 jours, je peux planifier des réparations pour maximiser le profit et la production. »

Mais le processus d’application du machine learning – ou son application dans maintenance prédictive – dans le domaine industriel est rarement simple. «Les données peuvent être incohérentes. Vous pourriez avoir de fausses lectures des capteurs. Vous pourriez avoir des données manquantes », a ajouté Willnerd. « Et il suffit de nettoyer les données avant de pouvoir les analyser. »

Willnerd présume que nous en sommes encore au tout début de l’application de l’apprentissage automatique aux applications industrielles.

Une étude de Bain & Co. intitulée «Au-delà des preuves de concept: faire évoluer l’IoT industriel»Arrive à des conclusions similaires après avoir interrogé 600 cadres de haute technologie. L’IIoT en général et la maintenance prédictive, en particulier, sont souvent plus difficiles à déployer que prévu – tout comme la perspective d’extraire «des informations précieuses à partir des données» des projets IIoT. Le rapport conclut plus tard, cependant, que «l’IoT industriel reste une opportunité prometteuse».

Un défi central est que donner du sens à ces données nécessite également un mélange rare d’expertise dans le domaine et de science des données. Pour aider à combler l’écart, Toumetis a embauché des experts industriels qui travaillent sur l’analyse de données depuis la fin des années 1990 et le début des années 2000. « C’est toujours une forme d’art », a déclaré Willnerd. « Vous devez comprendre clairement quel problème vous essayez de résoudre et quelle est la valeur commerciale associée. »

Yoskovitz a une vision similaire. Après avoir visité un éventail d’installations industrielles à travers les États-Unis, il est arrivé à la conclusion que l’un des défis les plus courants était de trouver des talents. Bien que l’on ait beaucoup parlé de la difficulté de trouver un expert, par exemple, en cybersécurité industrielle ou en science des données industrielles, le problème est plus important. «Une fois, je suis allé dans une pièce pour suivre une formation dans les installations de nos clients. L’âge moyen était de 55 ans », a rappelé Yoskovitz. «Nous avions là-bas des gens qui étaient sur le point de prendre leur retraite et des nouveaux arrivants dans la vingtaine. Et vous avez un bon 30 ans entre eux. « 

Une grande partie de l’expérience de fabrication héritée aux États-Unis disparaîtra à mesure que les anciens employés industriels prendront leur retraite dans les cinq à dix prochaines années. Pendant ce temps, les emplois industriels sont faibles sur la liste des jeunes employés. « Presque personne qui est un millénaire ou de la génération Z ne veut être technicien de maintenance », a déclaré Yoskovitz.

Ainsi, même s’il est peut-être trop tôt pour dire si de vastes technologies comme l’IoT et l’IA créeront une ère de productivité rivalisant avec les premières révolutions industrielles, ou si l’Industrie 4.0 ressemblera davantage à un logiciel révision qu’une révolution pilotée par le système cyberphysique. Pour l’instant, il est plus pratique de se demander comment ces technologies peuvent répondre à leurs besoins les plus urgents – amener les bonnes personnes (techniciens) au bon endroit (une machine potentiellement défaillante) au bon moment (avant que cette machine ne tombe en panne).

Laisser un commentaire