Jumeaux numériques alimentés par l'IA pour la maintenance, la détection d'anomalies et la productivité

VERS UNE FABRICATION INTELLIGENTE

Le volume énorme de données générées par les machines industrielles représente une opportunité significative pour débloquer de nouvelles valeurs commerciales. En exploitant la puissance de l'Internet industriel des objets (IIoT) et de l'intelligence artificielle (IA), les entreprises peuvent créer des écosystèmes intelligents qui non seulement surveillent et contrôlent les machines, mais optimisent également proactivement les processus, réduisent les coûts et favorisent l'innovation

Le rôle central du jumeau numérique

Les jumeaux numériques sont des représentations virtuelles d'un actif physique, d'un processus ou même d'un système entier. Cette technologie sert de pont entre les mondes physique et numérique, permettant la surveillance, la simulation et le contrôle en temps réel. Grâce à la collecte continue de données provenant de machines connectées, les jumeaux numériques offrent une vue dynamique et complète des opérations. Cela permet de tirer de nouvelles informations des données acquises, d'activer des actionneurs pour effectuer des actions dans le monde réel, d'automatiser des processus complexes et de simuler des scénarios de « et si » pour tester les réponses à d'éventuelles perturbations sans impacter la production en direct.

Fournir une valeur commerciale tangible

L'intégration des jumeaux numériques, de l'IIoT et de l'IA avancée peut accélérer l'innovation dans de nombreux contextes de fabrication. En améliorant l'expérience utilisateur pour les opérateurs, en permettant la prédiction des anomalies pour réduire le gaspillage, en optimisant les processus pour augmenter la rentabilité et en extrayant de la nouvelle valeur des machines existantes, ces technologies ouvrent la voie à une évolution plus proactive et efficace pour l'industrie. L'approche de Reply améliore non seulement l'efficacité opérationnelle, mais ouvre également de nouvelles avenues pour la servitisation, où la proposition de valeur s'étend au-delà du produit physique pour inclure un ensemble de services connectés.

Moderniser les systèmes hérités par le biais de la modernisation

Pour les machines anciennes, qui manquent souvent de connectivité innée, la pratique de la modernisation offre un moyen rentable d'intégration au sein d'un écosystème IoT intelligent. En augmentant les équipements plus anciens avec des capteurs et des modules de connectivité, il est possible d'extraire des données précieuses qui resteraient autrement inexploitées. Ces données peuvent ensuite être utilisées pour une variété d'applications, y compris la mise à jour à distance des logiciels et des configurations, la collecte de données de télémétrie, la surveillance des alarmes et des erreurs, et le suivi de la consommation d'énergie.

Exploiter l'IA pour des opérations proactives

Bien que le concept de jumeau numérique soit discuté dans l'industrie manufacturière depuis des années, l'introduction de l'intelligence artificielle a accéléré l'utilisation de ce concept dans différents contextes. Maintenant, la convergence de l'IA avec la richesse des données de l'usine fournit des outils puissants pour une analyse avancée.

Les algorithmes d'apprentissage automatique peuvent apprendre de manière autonome à partir des données pour identifier des modèles et faire des prédictions sans programmation explicite. Cela est particulièrement précieux pour des tâches telles que la détection d'anomalies, où l'objectif est d'identifier des valeurs aberrantes dans les modèles de données qui peuvent indiquer un problème en développement, et la maintenance prédictive, qui consiste à prévoir des pannes potentielles d'équipement pour permettre un service préventif.

Une autre application clé est la prévision des coûts, qui permet d'estimer les coûts opérationnels futurs sur la base de données historiques. L'évolutivité inhérente de ces algorithmes garantit que leur performance s'améliore avec l'augmentation des volumes de données, conduisant à la découverte de nouveaux modèles et à une meilleure adaptabilité. La nature prédictive de ces modèles facilite un passage de stratégies opérationnelles réactives à proactives.

Présentation de l'IA générative et des agents autonomes

L'IA générative, y compris des technologies telles que les systèmes de génération augmentée par récupération (RAG) et les agents IA, améliore encore les capacités de ces écosystèmes intelligents. Les flux de travail IA permettent aux humains de définir une logique de contrôle qu'un grand modèle de langage (LLM) peut suivre pour résoudre une demande donnée. Les systèmes RAG sont un type spécialisé de flux de travail IA qui peuvent récupérer des informations à partir d'une base de connaissances dédiée, fournissant des réponses plus contextualisées et précises basées sur des données spécifiques à l'entreprise ou au projet.

Les agents IA représentent un saut supplémentaire en autonomie. Contrairement aux flux de travail IA, les agents IA peuvent déterminer de manière indépendante et itérative la séquence optimale d'actions pour atteindre un objectif spécifique, en s'appuyant sur un ensemble d'outils disponibles. Cette structure dynamique et adaptable permet de gérer un degré élevé de complexité.

Modernisation d'une machine de pick-and-place héritée

La machine de pick-and-place est utilisée pour placer des composants électroniques sur un circuit imprimé (PCB) et nécessite une grande vitesse et une précision extrême. Le projet a consisté à équiper la machine de capteurs et de connectivité à une plateforme cloud. Un tableau de bord personnalisé a été développé pour interagir avec le jumeau numérique de la machine, fournissant une visualisation en temps réel à la fois des données brutes des capteurs et des métriques dérivées, telles qu'une valeur de puissance estimée calculée par un modèle de régression linéaire.

De plus, un système RAG a été mis en place pour fournir une interface conversationnelle permettant d'accéder aux manuels étendus de la machine. Cela permet aux opérateurs de poser des questions et de recevoir des instructions étape par étape, accompagnées de citations. Le système prend également en charge l'interaction vocale, améliorant ainsi l'utilisabilité.

L'architecture de cette solution s'appuie sur une plateforme cloud, avec une passerelle de terrain collectant des données de télémétrie et les transmettant via MQTT à un courtier de données. Les données sont ensuite traitées à travers des chemins chauds et froids pour le streaming en temps réel et le stockage persistant dans une base de données spécialisée en séries temporelles. Le composant RAG a été construit en utilisant Azure AI Studio avec un modèle GPT-4 formé sur la base de connaissances spécifique de la machine de pick-and-place. Cette architecture est conçue pour être agnostique au cloud, avec le potentiel d'être mise en œuvre en utilisant des services équivalents d'autres fournisseurs.

Le projet d'opérations de fabrication générative (GMO)

Le projet a été entrepris pour améliorer le processus d'impression 3D de pièces métalliques. Le projet visait à surveiller et à améliorer l'expérience d'impression pour une machine EOS M 400, qui produit des composants à partir d'alliages métalliques. Une caractéristique clé de ce projet est un système sophistiqué de détection d'anomalies conçu pour prévenir des échecs coûteux en identifiant les impressions susceptibles d'être défectueuses.

Le jumeau numérique dans ce cas réside sur une passerelle de terrain, qui lit, prétraite et modélise les données de l'imprimante et de ses capteurs environnementaux environnants. Cette approche a réussi à identifier des phases distinctes du processus d'impression, telles que le repos, le chauffage, l'impression, le refroidissement et la surchauffe. Des règles ont ensuite été établies en fonction de la durée de ces phases ; par exemple, une période prolongée de surchauffe est signalée comme une anomalie potentielle. Le modèle de détection d'anomalies a atteint une précision estimée de 70 % sur l'ensemble de données disponible.

Le tableau de bord fournit un aperçu complet du processus d'impression et intègre deux chatbots pour un système RAG et un agent IA. Le système RAG, construit sur les bases de connaissances d'Amazon Bedrock, permet aux utilisateurs de consulter la documentation. L'agent IA, déployé localement, est équipé d'outils pour effectuer des tâches telles que la récupération d'informations d'impression et le calcul de la consommation d'énergie. L'agent conçoit et exécute de manière autonome un plan pour satisfaire les demandes des utilisateurs, itérant à travers différentes approches jusqu'à ce qu'il parvienne à une solution complète. Les objets communs dans le contexte (COCO) ont été utilisés, puis further entraînés sur l'ensemble de données multi-objets BDD, avec des tests d'inférence initiaux réalisés via un simulateur classique. La prochaine étape du développement implique le réentraînement de ce modèle directement sur les données basées sur des événements en accédant aux capacités du matériel neuromorphique.

Concept Reply

Concept Reply se spécialise dans la recherche, le développement et la validation de solutions innovantes dans le domaine de l'Internet des objets (IoT), avec un accent particulier sur les secteurs de l'automobile, de la fabrication et des infrastructures intelligentes. Concept Reply est reconnu comme un expert en tests et assurance qualité. Grâce à ses laboratoires dédiés et à une équipe internationale de professionnels, l'entreprise est actuellement le partenaire de confiance en assurance qualité pour la plupart des grandes banques italiennes, offrant une expertise approfondie dans les innovations et solutions du marché mondial des services financiers (à la fois fonctionnels et techniques – fintech), soutenue par des observatoires, des partenariats et des projets.