Le 30 mars dernier, l'INFOPOLE vous invitait à découvrir son 1er Carrefour du Numérique, le RDV incontournable pour découvrir les tendances d'une technologie appliquée à un domaine d'activité au travers de projets et cas d'usage de PMEs, Startups, industriels, centres de recherche et université ! Pour cette 1ère édition, nous avons abordé, avec nos experts la thématique des Data Sciences dans le domaine manufacturier.
Voir le REPLAY
Mise en avant des recherches scientifiques
1) Jean-François Delaigle de SIRRIS: "Les TEF (Testing and Experimentation Facilities): une opportunité unique pour les fournisseurs IA de valider leurs solutions avec et pour les industriels. Présentation du projet TEF wallon en manufacturing circulaire."
Le financement a permis d'équiper des infrastructures quasi réelles pour les digitaliser et avoir un support pour que les fournisseurs puissent venir tester et valider leurs solutions et voir les gains possibles.
Il y a 1 TEF par secteur avec 4 secteurs prioritaires listés par l'Europe: Manufacturing, Santé, Agrifood et Smartcities.
Sirris pousse un projet pour le secteur Manufacturing et ce projet est le résultat du réseautage de 5 à 6 sous-projets pour un potentiel financement à 60 millions d'€.
Le manufacturing circulaire est au coeur de ce projet: garder les matières et produits en circulation le plus longtemps possible, éviter les problèmes d'approvisionnement, éviter d'extraire de la matière inutilement, diminuer l'utilisation de l'énergie,... Une application est actuellement en cours: le tri automatisé des déchets.
Il y a plusieurs étapes et SIRRIS espère avoir 1 ou plusieurs tests pour chaque étape:
- Maintenance préventive
- Réparation
- Remanufacturing
- Recyclage
Ce projet est né grâce à un partenariat entre différents organismes.
Plusieurs équipement seront mis à disposition:
- Equipements de taille industrielle dont plusieurs robotisés:
- Plateforme unique d’équipements pour la fabrication, la réparation et le rechargement: laser cladding, projection thermique, cold spray, electrostatic spray, usinage, ...
- Equipment pre- et post-process: compaction, gestion des poudres, four de fusion,…
- Prototypage plastique et composite : Machines de moulage par injection, Autoclave et fours pour thermoplastiques
- Systèmes industrie 4.0 : Robots et cobots, Systèmes de machines interconnectées, Systèmes de supervision de process, Dashbording temps réel
- ...
2) Mathieu Goeminne du CETIC: "la compression efficace des données IoT pour réduire les coûts de communication et de stockage et relever le défi lié à l'augmentation des capteurs. Présentation d'un protocole de communication basé sur un algorithme spécialisé de compression de données".
Il y a un augmentation:
- du nombre de capteurs
- de leur fréquence d'acquisition
- de la variété d'informations
- du nombre de technologies à l'oeuvre.
Le CETIC utilise 2 outils complémentaires:
- DMWay: Connecteur et traducteur IoT universel. Cette plateforme est capable de comprendre le sens des données et de les traduire d'un langage à un autre (interopérabilité des différents systèmes)
- TSorage: Stockage, gestion et traitement de données IoT à grande échelle. Une fois la donnée comprise et canalisée, on l'envoi dans une plateforme de stockage et de traitement.
Entre DMWay et TSorage, il faut un canal de communication efficace; le CETIC utilise alors un algorithme de compression de la donnée utilisé par Facebook (Gorilla). Ce dernier a été étendu et spécialisé pour être à même de traiter des données de types "capteurs industriels". Il s'agit donc d'une adaptation d'une technologie à un contexte industriel.
Cet algorithme et ce protocole ont été mis à l'épreuve et comparé à d'autres solutions grâce à des données industrielles réelles qui ont été soumises par SAFRAN AERO BOOSTERS.
Grâce à cette compression, on diminue par 15 la taille des données sans perte de qualité ni d'information.
SAFRAN envisage d'ailleurs de passer du prototypage à une solution industrielle, plus adaptée à leurs besoins.
Prochaines étapes?
- Du prototype au logiciel exploitable.
- Modèles prédictifs pour mieux prédire la valeur « suivante ».
- Exploitation pour la communication DMWay - TSorage.
- Exploitation pour le stockage à long terme dans TSorage.
- Exploitation dans votre infrastructure
3 cas d'application dans le secteur industriel
1) Thomas Van Heugen de TIMI: "La Data, quel impact sur la qualité de production?"
TIMI a travaillé sur un cas concret pour Volvo qui avait un problème de fiabilité de batteries et qui voulait améliorer son process de qualité.
Grâce à de nombreuses données déjà disponibles, un premier modèle a permis de valider les 1ères hypothèses et a mis en avant de nouveaux indicateurs interpellants.
Ce 1er modèle se base sur 3 techniques qui permettent de croiser de nombreuses variables:
- Régression linéaire
- Arbre de décision
- Réseau neurone
Après ce 1er modème, de nouveaux critères sont apparus:
- Climat du pays de livraison
- Délai entre la fabrication et l'acquisition
- Problème de qualité chez un sous-traitant
Volvo a compris l'intérêt de ce modèle et l'a transposé sur d'autres outils de production.
2) Christophe Robyns de Schneidauer d'Agilytic: "Cas d'usage de la Data Science pour le Manufacturing - cas concrets sur les processus centraux et périphériques dans le Manufacturing: maintenance prédictive, allocation des ressources, recherche de nouveaux clients"
Les Data Sciences peuvent apporter de la valeur à votre entreprise notamment dans les 5 domaines d'application suivants, au-delà de l'optimisation de la chaine de production:
📌 Marketing & Sales
📌 Customer "In Life"
📌 Process Optimization
📌 Finance
📌 Ressources humaines
L'idée est d'aller chercher rapidement des gains car nous devons faire face à 2 challenges:
- l'acquisition de données de qualité
- l'impact sur es personnes, la manière de travailler, les processus en interne.
Il faut donc vite pouvoir tester les modèles pour en retirer un maximum de bénéfices.
Quelques points à garder à l'esprit lorsqu'on se lance dans un processus de ce type:
- Bien définir la problématique; commencer petit, itérer rapidement et faire évoluer le projet;
- Prendre en compte le "Change", la formation, les explication pour maximiser l'adoption par les utilisateurs; L'implication des paires favorise ce dernier point;
- Tester, prévoir du temps pour tester et faire des allers-retours.
3) Christophe Loffet de V2i: "Vers une production Zéro-défaut: Présentation d'une application et de résultats concrets en sidérurgie".
V2i a travaillé sur un cas concret de surveillance de la qualité des soudures en sidérurgie, dans la phase à froid de la ligne de galvanisation. Lorsqu'une déchirure se fait au niveau de la soudure, cela implique un arrêt de la ligne pour 2 à 3 jours, avec un coût estimé, il y a quelques années, à 150€ par minutes.
La pression sur l'opérateur en charge du contrôle qualité manuel et visuel est très forte. L'opération de contrôle est critique: l'opérateur a peu de temps et l'impact, en cas de mauvaise décision, est considérable sur la ligne de production.
L'intervention de V2i s'est faite en plusieurs étapes:
- Etude de faisabilité: analyse et émission de propositions - 1er rapport;
- Validation: campagne d'essais pour valider les hypothèses émises lors du 1er rapport;
- Temps réel: une fois la pertinence des données validées, on pose un système d'acquisition à demeure sur la ligne de production pour fournir, en temps réel, à l'opérateur, des données représentatives de la situation dans le but de l'aider dans sa prise de décision;
- Diagnostic & Maintenance: Installation, à la demande du client, d'un instrument supplémentaire pour la maintenance prédictive et curative;
- Fiabilisation: Implémentation d'une base de données avec des outils IA pour capitaliser l'ensemble des données mesurées au cours du temps et améliorer la fiabilité de l'outil.
Résultats?
- Productivité: passage de 2 à 3 arrêts par an à 0 arrêt depuis 2017
- Coût: 0 arrêt donc moins de perte
- Maitrise du process: ils ont proposé de nouveau paramètres de soudage
- Maintenance
- RH: moins de pression sur l'opérateur
Curieux de voir qui se cache derrière l'écosystème Data Sciences & AI ? Découvrez les acteurs de la communauté INFOPOLE sur notre chaîne de valeur:
Data Sciences & AI