Imaginez un monde où les machines ne se contentent pas de fabriquer nos produits, mais pensent et apprennent comme nous. Dans cet article, nous examinons comment l'intelligence artificielle transforme l'industrie manufacturière. Des robots intelligents qui trient les pièces à la maintenance prédictive qui permet d'éviter les temps d'arrêt, l'IA est en train de remodeler les processus de production. Les lecteurs découvriront huit applications révolutionnaires de l'IA qui renforcent l'efficacité, améliorent la qualité et réduisent les coûts dans l'industrie manufacturière. Plongez dans cette aventure et découvrez comment la technologie repousse les limites de ce que les machines peuvent faire.
Le concept d'intelligence artificielle a été introduit pour la première fois dans les années 1950, il y a plus de soixante ans.
Cependant, ce n'est que ces dernières années que l'IA a connu une croissance explosive, principalement en raison de la maturation de technologies telles que l'internet des objets (IoT), le big data et l'informatique en nuage.
L'IdO permet l'acquisition en temps réel de grandes quantités de données, tandis que le big data fournit des ressources de données et un support algorithmique pour l'apprentissage profond. L'informatique en nuage offre des ressources informatiques flexibles pour l'IA.
La combinaison organique de ces technologies est à l'origine du développement continu de l'IA, ce qui se traduit par des progrès considérables. Le match entre AlphaGo et Lee Sedol a mis l'IA sur le devant de la scène, déclenchant une nouvelle vague de ferveur pour l'IA.
Le lancement record de ChatGPT fin 2022, ainsi que la popularité des outils de dessin d'IA comme Stable Diffusion, ont fait de 2023 l'année inaugurale de la démocratisation de l'IA !
La recherche et les applications de l'intelligence artificielle se développent progressivement dans différents domaines. Avec l'avènement de la vague de la fabrication intelligente, l'intelligence artificielle a été intégrée dans tous les aspects de l'industrie manufacturière, y compris la conception, la production, la gestion et les services.
La technologie et les produits de l'intelligence artificielle (IA), après des années d'essais pratiques, sont désormais largement appliqués et accélèrent l'intégration de l'IA dans diverses industries.
D'un point de vue technique, il est communément admis dans l'industrie que les capacités fondamentales de l'intelligence artificielle peuvent être classées en trois catégories : l'intelligence informatique, l'intelligence perceptive et l'intelligence cognitive.
L'intelligence informatique fait référence à la capacité de stockage supérieure d'une machine et à ses capacités de calcul ultra-rapides. Elle peut effectuer un apprentissage en profondeur basé sur des données massives, en utilisant l'expérience historique pour guider l'environnement actuel.
Avec le développement continu de la puissance de calcul et l'amélioration constante des méthodes de stockage, on peut dire que l'intelligence informatique a été réalisée.
Par exemple, AlphaGo, qui utilise la technologie de l'apprentissage par renforcement, a battu le champion du monde de Go, et les plateformes de commerce électronique utilisent l'apprentissage profond basé sur les habitudes d'achat des utilisateurs pour des recommandations de produits personnalisées.
L'intelligence perceptive fait référence à la capacité des machines à posséder des sens tels que la vision, l'ouïe et le toucher. Elle peut structurer des données non structurées et interagir avec les utilisateurs selon des méthodes de communication humaines.
Avec les progrès des différentes technologies, la valeur des données non structurées est reconnue et exploitée. L'intelligence perceptive liée aux sens tels que la voix, l'image, la vidéo et les points de contact évolue également rapidement.
Les véhicules autonomes et les célèbres robots de Boston Dynamics utilisent l'intelligence perceptive ; ils perçoivent et traitent leur environnement grâce à divers capteurs, ce qui les guide efficacement dans leurs opérations.
Par rapport à l'intelligence computationnelle et perceptuelle, l'intelligence cognitive est plus complexe ; elle se réfère à la capacité de la machine à comprendre, induire, raisonner et utiliser des connaissances comme un humain.
Actuellement, la technologie de l'intelligence cognitive en est encore au stade de la recherche et de l'exploration.
Par exemple, dans le secteur de la sécurité publique, l'extraction de caractéristiques et l'analyse de modèles de micro et macro-comportements de criminels, le développement de modèles et de systèmes d'intelligence artificielle pour la prédiction de la criminalité, la pénétration des fonds et la simulation de l'évolution de la criminalité urbaine.
Dans le secteur financier, elle est utilisée pour identifier les transactions suspectes et prédire les fluctuations macroéconomiques. Il reste encore un long chemin à parcourir pour accélérer le développement de l'intelligence cognitive.
Du point de vue de l'application, le déploiement d'une seule technologie d'intelligence artificielle peut englober plusieurs niveaux de capacités fondamentales telles que l'intelligence informatique et l'intelligence perceptive.
Les robots industriels, les smartphones, les voitures autonomes, les drones et d'autres produits intelligents servent de vecteurs à l'intelligence artificielle.
Ces produits, grâce à la combinaison de matériel et de divers types de logiciels, possèdent la capacité de percevoir, de juger et d'interagir en temps réel avec les utilisateurs et l'environnement, tout en intégrant diverses capacités fondamentales de l'intelligence artificielle.
Par exemple, dans le secteur de la fabrication, divers robots intelligents sont largement utilisés : Les robots de tri et de cueillette peuvent reconnaître et saisir de manière autonome des objets irréguliers.
Les robots collaboratifs sont capables de comprendre leur environnement et d'y réagir. Les chariots de suivi automatisés peuvent reconnaître les visages pour lancer un suivi autonome.
Grâce à la technologie SLAM (Simultaneous Localization and Mapping), les robots mobiles autonomes peuvent utiliser des capteurs embarqués pour identifier des marqueurs dans des environnements inconnus, puis estimer les coordonnées globales du robot et de ces marqueurs sur la base de la localisation relative et des relevés d'odomètre.
La technologie de conduite autonome, en termes de positionnement, de perception de l'environnement, de planification des itinéraires, de prise de décision comportementale et de contrôle, intègre également diverses technologies et algorithmes d'intelligence artificielle.
Les applications actuelles de l'intelligence artificielle dans les industries manufacturières englobent principalement les produits d'interaction vocale intelligente, la reconnaissance faciale, la reconnaissance d'images, la recherche d'images, la reconnaissance d'empreintes vocales, la reconnaissance de textes, la traduction automatique, l'apprentissage automatique, le calcul de données massives (big data) et la visualisation de données.
Le texte suivant résume huit scénarios d'application de l'IA souvent utilisés dans l'industrie manufacturière.
Scénario 1 : tri intelligent
De nombreuses tâches dans l'industrie manufacturière nécessitent un tri. S'il est effectué manuellement, le processus est lent, coûteux et dépend du maintien d'une température de travail adéquate. La mise en œuvre de robots industriels pour un tri intelligent permet de réduire considérablement les coûts et d'améliorer la rapidité.
Prenons l'exemple du tri de pièces. Les pièces à trier ne sont souvent pas bien rangées, et bien que le robot dispose d'une caméra pour voir les pièces, il ne sait pas comment les ramasser avec succès. Dans cette situation, la technologie de l'apprentissage automatique peut être utilisée.
Le robot effectue une action de tri aléatoire, puis il est informé si l'action a permis de ramasser une pièce ou non.
Après plusieurs itérations de formation, le robot apprend la séquence d'actions de tri ayant le taux de réussite le plus élevé, les positions optimales à saisir pour un prélèvement réussi et l'ordre de tri qui donne le taux de réussite le plus élevé.
Après plusieurs heures d'apprentissage, le taux de réussite du robot en matière de tri peut atteindre 90%, ce qui équivaut au niveau d'un travailleur qualifié.
Deuxième scénario : gestion de l'état des équipements
En effectuant un suivi en temps réel des fonctionnement de la machine Grâce à l'analyse des données, des caractéristiques et des techniques d'apprentissage automatique, nous pouvons prédire les défaillances des équipements avant qu'un accident ne se produise, ce qui permet de réduire les temps d'arrêt imprévus.
D'autre part, en cas de défaillance soudaine d'un équipement, nous pouvons rapidement diagnostiquer le problème, en déterminer la cause et fournir les solutions correspondantes.
Elle est couramment appliquée dans l'industrie manufacturière, en particulier dans l'ingénierie chimique, l'équipement lourd, le traitement du matériel, la fabrication 3C, l'énergie éolienne et d'autres secteurs.
Prendre Machines-outils à commande numérique à titre d'exemple. En utilisant des algorithmes d'apprentissage automatique et des capteurs intelligents pour surveiller des informations telles que la puissance, le courant et la tension de l'électricité, le système de gestion de l'énergie est en mesure d'améliorer la qualité de l'air. outils de coupeGrâce à l'analyse de l'état des outils, de la broche principale et du moteur d'alimentation pendant le processus d'usinage, nous pouvons identifier l'état de contrainte, d'usure et d'endommagement des outils, ainsi que l'état de stabilité de la machine-outil en cours d'usinage.
En fonction de ces états, nous pouvons ajuster les paramètres d'usinage (vitesse de la broche, vitesse d'avance) et les instructions de traitement en temps réel, en prévoyant quand remplacer l'outil pour améliorer la précision de l'usinage, réduire les temps d'arrêt de la chaîne de production et améliorer la sécurité de l'équipement.
Troisième scénario : Détection des défauts de surface par vision
L'application de la vision industrielle à la détection des défauts de surface est désormais courante dans l'industrie manufacturière.
La vision industrielle permet d'identifier rapidement, en quelques millisecondes et dans des conditions constamment changeantes, des défauts de surface mineurs ou complexes et de les classer, par exemple en détectant des contaminants de surface, des dommages et des fissures.
Certaines entreprises d'intelligence industrielle ont combiné l'apprentissage profond avec des microscopes 3D pour augmenter la précision de la détection des défauts au niveau du nanomètre.
Pour les produits défectueux détectés, le système peut automatiquement déterminer s'ils sont réparables, planifier le chemin et la méthode de réparation, puis la machine effectue l'action de réparation.
Par exemple, les tuyaux en PVC sont l'un des matériaux de construction les plus couramment utilisés et sont consommés en grandes quantités.
Il est sujet à des rayures de surface, à des piqûres, à des ondulations dues à l'eau et à des surfaces mates au cours du processus de production et d'emballage, ce qui nécessite une quantité importante de travail pour l'inspection.
Après la mise en œuvre de la détection visuelle automatique des défauts de surface, les impuretés à la surface du tuyau sont automatiquement détectées en définissant la taille minimale et maximale de la zone, avec une précision de détection minimale de 0,15 mm² et un taux de détection supérieur à 99%.
Les rayures sur la surface du tuyau sont automatiquement détectées en définissant les longueurs et largeurs minimales et maximales, avec une précision de détection minimale de 0,06 mm et un taux de détection supérieur à 99%.
Les rides à la surface du tuyau sont automatiquement détectées en réglant les longueurs, largeurs, longueurs de segment et seuils de différence de couleur minimaux et maximaux, avec une précision de détection minimale de 10 mm et un taux de détection supérieur à 95%.
Scénario quatre : Inspection de la qualité des produits et détermination des défauts sur la base de la reconnaissance d'empreintes vocales
Grâce à la technologie de reconnaissance des empreintes vocales, nous pouvons détecter automatiquement les sons anormaux, identifier les produits défectueux et les comparer à une base de données d'empreintes vocales pour déterminer les défauts.
Par exemple, depuis fin 2018, l'usine Faurecia (Wuxi) a initié une collaboration globale avec l'équipe Big Data Science du groupe, dédiée à l'application de la technologie IA à l'évaluation des performances NVH (Noise, Vibration, and Harshness) des ajusteurs de sièges.
En 2019, l'usine Faurecia (Wuxi) a intégré la technologie de l'IA dans la détection des sons anormaux des ajusteurs, réalisant l'automatisation de l'ensemble du processus, de la collecte des signaux à l'auto-apprentissage, en passant par le stockage et l'analyse des données. L'efficacité et la précision de la détection dépassent de loin l'inspection manuelle traditionnelle.
Avec la mise en œuvre du système de détection du bruit basé sur la technologie de l'intelligence artificielle dans l'usine de Wuxi, le nombre d'employés est passé de 38 à 3. Simultanément, la capacité de contrôle de la qualité s'est considérablement améliorée, avec un bénéfice économique annuel atteignant 4,5 millions de RMB.
Scène 5 : Prise de décision intelligente
Les entreprises manufacturières peuvent appliquer des technologies d'intelligence artificielle telles que l'apprentissage automatique en conjonction avec l'analyse des big data pour optimiser les méthodes de planification, en améliorant leurs capacités de prise de décision dans des domaines tels que la qualité des produits, la gestion opérationnelle, la gestion de la consommation d'énergie et la gestion des outils.
Par exemple, le système de gestion intelligente de la production de l'usine de moteurs diesel FAW Jiefang Wuxi comporte des fonctionnalités telles que la collecte de données sur les anomalies et la programmation de la production, le diagnostic des causes anormales sur la base d'arbres de décision, la prédiction des temps d'arrêt des équipements sur la base d'une analyse de régression et l'optimisation des décisions de programmation sur la base de l'apprentissage automatique.
En utilisant les données historiques du processus de décision de programmation et les indicateurs de performance de la production réelle après la programmation comme ensemble de données d'apprentissage, et en employant des algorithmes de réseau neuronal, les paramètres de l'algorithme d'évaluation de la décision de programmation sont affinés pour garantir que les décisions de programmation répondent aux exigences de la production réelle.
Scène six : Jumelage numérique
Le jumelage numérique est le reflet d'entités physiques dans le monde virtuel. La création de jumeaux numériques intègre l'intelligence artificielle, l'apprentissage automatique et les données des capteurs pour établir un modèle "réel" vivant, mis à jour en temps réel, qui soutient la prise de décision tout au long du cycle de vie des produits physiques.
Dans la poursuite de la modélisation d'ordre réduit des entités jumelles numériques, la complexité et les modèles non linéaires peuvent être placés dans des réseaux neuronaux. En s'appuyant sur l'apprentissage profond, un objectif fini est établi, sur lequel la modélisation d'ordre réduit est basée.
Par exemple, dans le modèle traditionnel, la simulation fluidique et thermique d'une sortie de tuyau d'eau chaude et froide, en utilisant un serveur à 16 cœurs, nécessite 57 heures par calcul. Après la mise en œuvre de la modélisation d'ordre réduit, chaque calcul ne prend que quelques minutes.
Scène sept : Conception générative
La conception générative est un processus interactif et auto-innovant. Lorsque les ingénieurs conçoivent des produits, il leur suffit de définir les paramètres souhaités et les contraintes de performance sous la direction du système, tels que le matériau, le poids, le volume, etc.
En associant cela à des algorithmes d'intelligence artificielle, des centaines, voire des milliers de solutions viables peuvent être générées automatiquement en fonction de l'intention du concepteur. Ces solutions sont ensuite comparées de manière autonome et la conception optimale est sélectionnée et recommandée au concepteur pour la décision finale.
La conception générative est devenue un nouveau domaine interdisciplinaire, profondément intégré aux technologies de l'informatique et de l'intelligence artificielle, appliquant des algorithmes et des technologies avancés au processus de conception.
Les algorithmes génératifs largement utilisés comprennent les systèmes paramétriques, les grammaires de formes (SG), les systèmes L, les automates cellulaires (AC), les algorithmes d'optimisation topologique, les systèmes évolutionnaires et les algorithmes génétiques.
Scène huit : Prévision de la demande et optimisation de la chaîne d'approvisionnement
Grâce à l'intelligence artificielle, nous établissons des modèles précis de prévision de la demande, ce qui permet aux entreprises de faire des prévisions de vente, d'anticiper les besoins en pièces de rechange et de prendre des décisions en fonction de la demande.
Simultanément, grâce à l'analyse des données externes et sur la base des prévisions de la demande, nous formulons des stratégies de réapprovisionnement des stocks, d'évaluation des fournisseurs et de sélection des pièces.
Par exemple, dans un effort pragmatique pour contrôler les coûts de gestion de la production, American Honda Motor Company a cherché à comprendre quand la demande future des clients se produirait.
Ils ont donc créé un modèle prédictif à partir des données de vente et d'entretien de 1 200 concessionnaires. Ce modèle permet d'estimer le nombre de véhicules qui reviendront chez les concessionnaires pour être entretenus au cours des prochaines années.
Les informations ont ensuite été utilisées pour définir des critères de référence pour la préparation des différentes pièces. Cette transformation a permis à American Honda d'atteindre une précision de prévision allant jusqu'à 99% et de diviser par trois le temps de réclamation des clients.
Actuellement, avec un nombre croissant d'entreprises, d'universités et d'organisations à code source ouvert qui se lancent dans le domaine de l'intelligence artificielle, un afflux important de logiciels et de plateformes à code source ouvert d'IA performants conduit à un essor sans précédent de l'intelligence artificielle.
Toutefois, par rapport à des secteurs comme la finance, les applications de l'IA dans l'industrie manufacturière, bien que nombreuses, ne sont pas particulièrement proéminentes et on pourrait dire que leur développement a été relativement lent.
Les principales raisons de ces problèmes se situent dans les trois domaines suivants :
1. La collecte, l'utilisation et le développement des données au cours du processus de fabrication posent des défis importants. En outre, la plupart des entreprises s'appuient principalement sur des bases de données privées à échelle limitée, ce qui entraîne un manque d'échantillons de haute qualité pour l'apprentissage automatique. Cela limite le processus d'auto-apprentissage de la machine.
2. Il existe de nombreuses différences entre les secteurs manufacturiers, ce qui accroît la complexité des solutions d'intelligence artificielle et augmente la demande de personnalisation.
3. Dans les différents secteurs, il n'y a pas assez d'entreprises de premier plan qui pourraient conduire la tendance à l'intégration profonde de l'intelligence artificielle dans l'industrie manufacturière.
En s'attaquant à ces trois problèmes critiques, la technologie de l'intelligence artificielle pourrait être mieux appliquée dans l'industrie manufacturière.