IOT et industrie : Outils AI pour la gestion des pannes

La vitesse à laquelle un dysfonctionnement peut réagir est d'une grande importance pour les sociétés de production. Afin de faciliter une réponse plus rapide aux pannes, les industriels se tournent de plus en plus vers l'intelligence artificielle (IA) comme outil de gestion des pannes. Dans un article récent qui a examiné les solutions d'apprentissage automatique (ML) pour s'attaquer aux défaillances dans l'industrie 4.0, les auteurs, de diverses institutions académiques grecques, ont identifié trois étapes dans la détection et le diagnostic des défaillances: collecte de données; traitement des données pour l'extraction des caractéristiques et; classification des défauts basée sur des méthodes d'apprentissage supervisé, non supervisé et approfondi. Les solutions basées sur l'apprentissage supervisé (SLBS) impliquent le développement d'un outil de diagnostic automatisé pour réduire l'effort humain et améliorer la précision du diagnostic. Les solutions basées sur l'apprentissage non supervisées (ULBS) s'appuient sur des connaissances et des compétences de diagnostic antérieures en développant un schéma de détection de panne intelligent. Cela implique une méthode d'apprentissage non supervisée en deux étapes utilisant un réseau neuronal (NN); Les solutions DLBS (Deep Learning-Based Solutions), quant à elles, reposent sur des données brutes et plusieurs couches et ont récemment été développées pour améliorer les performances de détection des défauts et surmonter les limites des méthodes ML conventionnelles.
Lancement du projet SPAICER pour développer un écosystème basé sur les données
Le 28 avril, le projet SPAICER, "Systèmes de production évolutifs et adaptatifs grâce à l'optimisation de la résilience basée sur l'IA", a été lancé. L'objectif est d'utiliser les technologies d'IA de pointe et les normes de l'industrie 4.0 pour anticiper les perturbations et adapter de manière optimale la planification de la production en réponse. SPAICER est un consortium qui comprend: le Centre de recherche allemand pour l'intelligence artificielle (DFKI), qui agit en tant que coordinateur; le laboratoire de machines-outils (WZL) de la RWTH Aachen University; l'Université de Fribourg; l'Université technique de Darmstadt; l'Institut de gestion des technologies et de l'innovation du RWTH; Université d'Aix-la-Chapelle et; l'école de gestion Otto Beisheim (WHU) ainsi que le fabricant de presse sud-coréen SIMPAC Europe GmbH.
Les partenaires espèrent créer des méthodes de solutions logicielles basées sur l'IA pour l'industrie qui permettront de prévoir les dysfonctionnements et les changements dans les systèmes intégrés et d'autres facteurs externes «en temps quasi réel». Frank Kögler, chef de service et initiateur de projet chez Simpac, a expliqué: "Avec les résultats que nous recevons des études de projet, nous pouvons effectuer nos propres tests, que nous pouvons utiliser pour amener les presses à un nouveau niveau technologique. La détection préventive de défauts nous permet de développer des modules de solution optimaux et d'optimiser nos actions. C'est un immense avantage pour nos clients, car les temps d'arrêt possibles peuvent être presque éliminés. Nous faisons un grand pas vers l'usine intelligente. "
SPAICER teste quatre cas. Dans la première, une entreprise allemande de taille moyenne, où des coûts pouvant aller jusqu'à 500 000 euros par heure sont encourus pour l'usure et le remplacement d'outils, est mise en évidence. Le projet affirme qu'en «classant les perturbations et en recommandant des mesures appropriées, la stabilisation et l'optimisation des systèmes affectés ainsi que la restructuration locale des processus de production et le déploiement du personnel sont réalisés plus efficacement». Dans le second, SPAICER a pu optimiser la planification de la production pour la production industrielle de verre en stabilisant la chaîne d'approvisionnement grâce à une planification logistique alternative précoce via les routes, les voies ferrées et les voies navigables, ainsi qu'en demandant des fournisseurs de remplacement des matières premières requises. Dans le troisième, SPAICER a permis à un producteur d'outils de prévoir le moment et le processus optimaux de nettoyage ou d'entretien des outils et de transférer les connaissances acquises à d'autres lignes de production, sites ou producteurs. Dans le quatrième, un équipementier automobile qui développe des produits de précision pour les moteurs de voitures et de camions SPAICER a pu anticiper les arrêts de la chaîne d'approvisionnement.

En avril, la société Yokogawa Electric Corporation, basée à Tokyo, a annoncé la sortie de versions compatibles avec l'IA des appareils existants, dont la société a déclaré: «aidera les utilisateurs à identifier et à corriger les problèmes avant qu'ils ne puissent perturber les opérations de production. Les nouveaux lancements sont des versions des enregistreurs sans papier à montage sur panneau de la série GX; Enregistreurs portables sans papier de la série GP; et le logiciel d'enregistrement des données GA10, qui sont des composants du système d'acquisition et de contrôle des données SMARTDAC + TM. Les enregistreurs sont utilisés dans la fabrication et la R&D pour acquérir, afficher et enregistrer des données sur la tension, le courant, la température, le débit, la pression et d'autres variables de processus. La nouvelle fonctionnalité AI comprend le «futur stylo», une fonction développée par Yokogawa qui permet de dessiner des formes d’ondes prédites qui ont été ajoutées aux enregistreurs de la série GX / GP. La fonction «futur stylo» de l'IA permettra aux utilisateurs d'identifier la probabilité qu'une alarme se déclenche et de prendre des mesures à l'avance. Une fonction d'apprentissage automatique a été ajoutée au logiciel d'enregistrement des données GA10 pour permettre la détection des anomalies et la prévision des pannes potentielles. «Les données sur lesquelles l'appareil devrait tomber en panne sont affichées à l'écran, surlignées dans un cadre jaune. La maintenance peut ainsi être effectuée avant que l'appareil ne tombe en panne, minimisant ainsi la probabilité de perturbations de la production », explique la société.

(en haut) Écran GA10 (en bas à gauche à droite) e-RT3 Plus et GX / GP
Crédits: Yokogawa

Siemens et SAS s'associent pour fournir des analyses IIoT intégrées à l'IA
Siemens AG, le conglomérat multinational allemand, et SAS, le fournisseur de gestion de données et d'analyses avancées, se sont récemment associés pour fournir des analyses IIoT intégrées à l'IA pour les périphéries et le cloud. La solution améliore la surveillance à distance, les diagnostics, la modélisation des défaillances et la maintenance prédictive et normative à l’aide de «MindSphere» de Siemens, la plate-forme IoT ouverte basée sur le cloud. «Les analyses SAS sur les solutions« MindSphere »de Siemens permettent aux clients d’améliorer leur entreprise grâce à l’analyse IoT Edge-to-Cloud avec IA intégrée. Ces solutions incluent des analyses de streaming de périphérie à cloud, qui permettent aux clients sans expertise spécifique en analyse d'importer, développer, former, déployer et gérer facilement des modèles d'analyse sur différents périphériques de périphérie et dans le cloud. Ce cas d'utilisation démontre la puissance de l'analyse en continu dans la gestion des performances des actifs à distance », explique le site Web de Siemens.
Perspective
Un rapport de Research and Markets, publié en avril, prédit que le marché mondial de la fabrication intelligente augmentera à un TCAC de 12,4% entre 2020 et 2025 pour atteindre une valorisation de 384,8 milliards de dollars, contre 214,7 milliards de dollars pour toute l'année 2020. les moteurs de la croissance sont l'adoption croissante de l'industrie 4.0; importance croissante accordée à l'automatisation industrielle dans les processus de fabrication; complexité croissante des chaînes d'approvisionnement et demande croissante de systèmes logiciels qui réduisent le temps et les coûts.

Laisser un commentaire