Les cas d’usage de l’intelligence artificielle dans l’industrie manufacturière

L’apprentissage automatique et la vision par ordinateur permettent d’analyser des données et des images pour produire des modèles génératifs, soit une multitude de designs pour un même objet, en tenant compte de paramètres comme la grandeur, le poids, le coût, le style souhaité, etc. Le design retenu peut ensuite être créé, testé et amélioré.

Le designer Philippe Starck a eu recours à une sous-catégorie de l’apprentissage automatique, les modèles apprenants génératifs, pour concevoir un modèle de chaise confortable, solide et requérant un minimum de matière.

L’apprentissage automatique permet également d’analyser des données pour développer de nouveaux produits qui répondent aux besoins d’un marché cible selon des contraintes bien précises, comme inventer la recette d’un hambourgeois végétarien ayant la couleur et la saveur du bœuf.

L’apprentissage automatique peut générer un très grand nombre de designs par l’analyse d’un ensemble de données et de contraintes. L’IA sélectionne les meilleures propositions, puis un designer professionnel choisit celle qui répond le mieux à ses besoins.

Un manufacturier automobile utilise l’IA pour accélérer la conception de ses boîtes de vitesses automatiques. Il s’agit pour l’entreprise de trouver la solution de design optimale pour trois systèmes : le changement de vitesse électromécanique, les capteurs électroniques et les logiciels de contrôle du moteur. L’IA peut réduire de moitié le temps de développement.

Un important manufacturier de pneus utilise des algorithmes d’apprentissage automatique pour simuler l’interaction des atomes et des molécules. Il adapte le design des pneus en fonction des résultats obtenus au cours des tests.

L’IA fournit des outils puissants pour analyser les propriétés des matériaux. Il devient ensuite possible de modifier les composantes des matériaux pour obtenir les propriétés recherchées. Les tests conduisent à la création de nouveaux matériaux utilisés, par exemple, pour remplacer des matériaux polluants.

Une firme a développé des outils d’intelligence artificielle capables d’entraîner des réseaux de neurones profonds en vue de qualifier rapidement de nouveaux matériaux à partir de données éparses. D’autres chercheurs ont combiné une technologie de l’intelligence artificielle et l’apprentissage automatique pour détecter la composition des matériaux avec une grande précision. Ces découvertes ont un impact sur les industries de l’automobile, de la chimie, de l’énergie propre et du pétrole. Elles ont conduit à la conception de plus de 200 millions de nanomatériaux utilisés pour créer, par exemple, une puce de 2 cm². Cette puce stocke des données d’une taille et d’une qualité jamais atteintes auparavant en science des matériaux.

Un manufacturier automobile a collaboré avec un centre de recherche universitaire pour développer de nouveaux matériaux ayant des propriétés précises. Selon les tests réalisés, 18 des 19 matériaux présentaient les qualités recherchées et l’exactitude des tests s’élevait à 95 %.

L’apprentissage automatique permet d’analyser des données afin de sélectionner les matériaux les mieux adaptés pour la fabrication d’un produit en fonction de critères tels que les propriétés, les coûts, la disponibilité, etc.

De plus, grâce à l’apprentissage automatique, il est possible de développer de nouveaux polymères ayant une conductivité thermique élevée. Ces polymères possèdent des propriétés différentes des métaux et des céramiques et pourraient profiter aux technologies de communication mobile 5G.

L’apprentissage automatique permet de produire des générations d’images afin de concevoir l’emballage des produits. Un algorithme peut utiliser une gamme de couleurs et de formes pour générer des images au design unique. Un manufacturier de beurre de noisettes a ainsi conçu 7 millions de pots au design unique.

L’IA peut servir à développer des applications pour gérer le cycle de vie d’un produit, de sa conception à la fin de sa commercialisation. Par exemple, l’apprentissage automatique peut analyser les données de l’entreprise pour les décrire, diagnostiquer des problèmes, prédire des résultats et proposer des améliorations.

L’IA et les applications numériques peuvent optimiser la gestion des entreprises. Voici des exemples d’utilisations existantes.

Grâce aux programmes de traitement du langage naturel, les ordinateurs peuvent lire, déchiffrer et comprendre des données textuelles. L’IA rend possible la création de moteurs de recherche qui comprennent les demandes et produisent des résultats pertinents afin de simplifier l’exploration des procédures et des processus d’affaires.

L’apprentissage automatique permet d’analyser des processus de production afin d’améliorer les procédés et l’utilisation des machines. Avec l’IA, les fabricants peuvent optimiser les processus de production à l’aide d’une chaîne d’outils. Ces outils intègrent les meilleures pratiques depuis la conception d’un produit jusqu’à sa vente. Les techniques avancées de l’IA et de l’apprentissage automatique ont pour effet de réduire les stocks de pièces, de matières premières et de produits fabriqués tout en maintenant un inventaire suffisant pour répondre à la demande de la clientèle. Ces analyses permettent de gagner du temps et de réduire les coûts de production.

Les systèmes de planification des ressources d’entreprise (ERP) peuvent être combinés à l’IA afin d’intégrer toutes les informations d’une entreprise dans un seul système, et ce, afin d’optimiser les processus de cette dernière. En effet, l’apprentissage automatique collecte des données qui peuvent faciliter la prise de décisions dans différents secteurs comme les ventes et le marketing, prévenir d’éventuels problèmes en fabrication et soutenir l’automatisation des tâches routinières (devis, facturation, clôture de fin de mois, etc.).

Le traitement du langage naturel permet d’analyser des données afin de les comprendre, de les structurer, puis de générer des rapports de manière automatisée en différentes langues. Ces rapports peuvent ensuite être utilisés pour prendre des décisions en temps réel. Il est à noter que les entreprises qui fonctionnent avec des documents écrits à la main peuvent convertir le texte en fichiers numériques. Ces fichiers peuvent par la suite être stockés et analysés au même titre que les autres.

L’IA peut appuyer plusieurs opérations associées à la gestion des entreprises manufacturières. Elle a la capacité de classer des informations, d’optimiser des modèles ou des processus, d’automatiser des analyses ou des opérations. Elle peut aussi prédire l’évolution de la demande, de l’approvisionnement ou des marchés. Cela permet de réduire le coût des inventaires, des opérations et des matières premières. Certaines applications peuvent optimiser les cycles de production ou encore aménager les horaires de travail des employés.

Par exemple, une aluminerie s’est associée avec l’Institut technologique de maintenance industrielle (ITMI) afin de développer un système qui exploite l’intelligence artificielle pour assurer la supervision et le suivi des performances des machines. Ce système intelligent gère également les actifs et les opérations.

L’IA et les applications numériques transforment les processus de production des entreprises du secteur manufacturier. Voici des exemples d’utilisations existantes.

La reconnaissance d’images et la robotique permettent d’employer des capteurs afin d’automatiser le tri des pièces ou des produits. Par exemple, la compagnie Les Crabiers du Nord utilise un système d’imagerie qui trie et inspecte divers produits de la mer, comme le crabe des neiges et la mactre de Stimpson.

En combinant la robotique et la reconnaissance d’images, il est possible d’usiner des pièces à l’aide de machines 24 heures sur 24, 7 jours sur 7. Par exemple, l’entreprise Diacarb, un atelier d’usinage spécialisé en petites composantes complexes, utilise une cellule intelligente composée d’une tour numérique, d’une machine de mesure de coordonnées, d’une nettoyeuse à pièce, d’un robot et d’un logiciel d’analyse dimensionnelle, qui lui a valu d’augmenter son rythme de production d’environ 35 %.

Les robots collaboratifs peuvent automatiser des tâches manuelles répétitives comme assembler les petites pièces, manipuler le matériel et l’emballer. La compagnie Kinova a développé des applications industrielles qui n’exigent aucune expérience en programmation et dont l’apprentissage est facile pour relever des défis de fabrication.

L’IA permet d’optimiser le rendement. En effet, avec l’apprentissage automatique, on peut utiliser de manière combinée des données de production et de contrôle de la qualité afin de réduire les pertes associées aux produits qui présentent des défauts de fabrication. L’intelligence artificielle analyse des données sur la composition des matériaux, la qualité des matières premières et des images prises par des caméras et capteurs pour prédire quelles seront les caractéristiques du produit final, et ce, afin d’adopter des mesures pour mieux répondre aux standards de qualité de l’industrie.

L’apprentissage automatique, combiné aux mégadonnées, produit des analyses descriptives pour les opérateurs. Ces analyses aident à mieux comprendre l’évolution du rythme de production. Elles peuvent servir à optimiser le processus décisionnel pour minimiser les coûts, améliorer la performance et augmenter la qualité tout en consommant le moins d’énergie possible. À partir de l’historique de mégadonnées, les algorithmes peuvent établir des relations complexes entre plusieurs paramètres pour définir leurs effets sur la production.

La plupart des tâches répétitives sont automatisables. Par exemple, la vision par ordinateur est utile pour contrôler la qualité des produits et des matériaux qui entrent dans leur fabrication. Les tâches physiques répétitives peuvent aussi être exécutées par des robots : à l’aide d’une caméra qui scrute le travail des employés, des robots sont en mesure de reproduire leurs tâches. Leurs mouvements peuvent être optimisés afin de minimiser le gaspillage des matières premières.

L’automatisation des tâches est un atout pour plusieurs types d’industries manufacturières qui doivent effectuer des contrôles de la qualité, sur les chaînes de production de textiles et d’automobiles par exemple.

Un pêcheur de pétoncles étudie la possibilité de créer un système automatisé pour extraire les pétoncles à bord des bateaux. Pour ce faire, il peut avoir recours à des technologies comme des capteurs et des systèmes de vision. D’autres développent un filet de pêche intelligent qui ne capture pas les poissons non désirés.

L’IA et les applications numériques transforment les processus de maintenance et d’entretien des entreprises du secteur manufacturier. Voici des exemples d’utilisations existantes.

Aux États-Unis, des chercheurs développent une intelligence artificielle qui a pour fonction de prévenir la fatigue du travailleur. Par la reconnaissance vocale et la reconnaissance d’images, il devient possible de surveiller l’apparition de signaux vocaux et faciaux de stress et de fatigue chez les travailleurs pour éviter des accidents. Le cas échéant, le système peut suggérer à l’employé différents ajustements, comme prendre une pause ou modifier l’éclairage de son lieu de travail.

L’IA permet de faire de la maintenance prédictive, c’est-à-dire d’anticiper les défaillances de l’équipement. Il s’agit de déceler la fatigue mécanique pour éviter les pannes. L’analyse de données comme les vibrations des machines, la température, la pression des machines ou le son est utilisée pour détecter des failles ou un dysfonctionnement. Les données recueillies indiquent les signes avant-coureurs d’une panne et déterminent le meilleur moment pour changer les pièces. Cette approche évite de remplacer des pièces inutilement. La maintenance prédictive est rendue possible par l’utilisation combinée de technologies comme l’apprentissage automatique, la reconnaissance d’images, le traitement du langage naturel, le traitement automatique du son et l’analyse de données.

Par exemple, l’ITMI a mis au point des rouleaux de convoyeurs industriels intelligents, dotés de capteurs à infrarouges qui mesurent leur vitesse de roulement. En parallèle, la température des rouleaux est surveillée par des sondes. Les données recueillies sont envoyées dans l’infonuage. Le système génère des alertes lorsqu’il détecte une perturbation. Il devient alors possible de surveiller le fonctionnement de l’équipement à distance. De plus, les données nourrissent les algorithmes intelligents, qui pourront prédire les futures défaillances des rouleaux et ainsi prévenir les arrêts de production. La maintenance prédictive pourrait, de ce fait, réduire le nombre de pannes et prolonger la durée de vie des machines.

L’IA, grâce à l’apprentissage automatique et à la robotique, permet de planifier les opérations de transport et d’entreposage. Un exemple parlant est celui de l’entreprise WIPTEC, spécialisée dans la préparation de commandes pour les commerces en ligne ainsi que dans les solutions d’entreposage et de logistique. WIPTEC traite plus de 85 millions de colis chaque année et utilise des robots pour préparer les commandes. Les robots apportent les produits dans l’aire d’emballage et apposent automatiquement des autocollants avec l’adresse du destinataire sur les colis. Les colis sont ensuite triés sur un convoyeur selon leur destination. Des robots s’occupent aussi de déplacer l’inventaire d’une zone à l’autre dans l’immense centre de préparation.

L’IA, par le biais de l’apprentissage automatique, de l’analyse prédictive des stocks et de la robotique, soutient la gestion des stocks et de l’entreposage. Par exemple, chez Lumen, l’automatisation et la robotisation permettent de gérer les inventaires et d’expédier des marchandises. Ce sont des robots qui acheminent les produits aux employés chargés de la préparation des commandes. Ces robots palettiseurs, qui déplacent les produits et les déposent sur des palettes de manière très précise, peuvent manipuler jusqu’à 600 boîtes à l’heure.

L’apprentissage automatique et les mégadonnées peuvent jouer un rôle dans la planification de la demande et la gestion de l’approvisionnement. Ainsi, il devient possible de prédire les besoins de stocks en fonction de différents facteurs, comme les cycles de la demande, les ressources matérielles et humaines disponibles, de même que les conditions météorologiques.

L’IA permet de gérer l’inventaire des entreprises de trois manières : par la lecture de codes-barres, par le visionnement de photos ou à l’aide d’étiquettes RFID (identification par radiofréquence). Les deux premières applications sont notamment possibles grâce à la reconnaissance d’images. La troisième utilise des signaux radio pour localiser les stocks. Les étiquettes RFID sont fixées aux objets. Une antenne et une autre étiquette RFID émettent un signal radio pour communiquer des données et repérer les objets. Cette dernière technologie, grâce à laquelle on peut consulter les étiquettes à distance, représente un avantage considérable lorsque les numériseurs n’ont pas un accès direct aux produits.

L’IA, grâce à l’apprentissage automatique, peut analyser et classer des données utiles pour planifier l’approvisionnement des ressources de production ou des systèmes de gestion de la chaîne logistique en temps réel. Il devient possible, par exemple, de commander des matières premières de manière automatique en fonction des prédictions de ventes, d’élaborer des stratégies d’approvisionnement en tenant compte des tendances identifiées par les algorithmes ou de prévoir la demande pour certains produits.

L’IA et les applications numériques transforment le processus de contrôle de la qualité des entreprises du secteur manufacturier. Voici des exemples d’utilisations existantes.

L’IA, par le biais de la reconnaissance d’images, peut effectuer une inspection visuelle beaucoup plus rapide et plus fiable que celle de l’œil humain. De plus, en accumulant des données, les algorithmes apprennent à distinguer les pièces bien produites de celles qui présentent des défauts. Les fabricants peuvent donc améliorer la qualité et l’uniformité de leurs produits. Par exemple, la PME Métal 7 a implanté, il y a plusieurs années, un système qui surveille l’épaisseur du revêtement sur l’équipement qu’elle produit. Des drones sont également en mesure d’inspecter des avions, des lignes électriques ou des éoliennes.

L’IA peut détecter la présence d’anomalies sur les aliments. Certaines technologies de l’IA permettent de déceler les toxines, les agents pathogènes et les micro-organismes qui se déposent sur les aliments ou dans leur environnement avant et pendant leur transformation. Un système de l’IA effectue aussi un contrôle de la qualité de l’emballage des aliments en vue d’améliorer leur préservation.

Une firme japonaise a développé une technologie pour surveiller le respect de la procédure de lavage des mains. Selon les tests conduits sur un bassin de 2000 candidats, le modèle est en mesure de vérifier si les six étapes de la procédure sont effectuées avec un taux de précision de 95 %. Par l’apprentissage profond, le modèle analyse la combinaison de deux types d’images tournées sous différents angles : les formes des mains et leurs mouvements répétitifs.

Grâce aux caméras disposées sur la chaîne de montage, la vision par ordinateur permet de détecter les pièces qui présentent des défauts. Ces pièces peuvent rapidement être interceptées et retirées de la chaîne.

L’apprentissage automatique est capable de reconnaître et de signaler des perturbations dans le processus de fabrication. Par exemple, une aluminerie a implanté un système d’aide au contrôle de la qualité pendant la fabrication de l’aluminium. Le système détecte les perturbations dans les cuves et décèle les anomalies.