TELECOM PARIS ALUMNI
Retour aux actualités
Article suivant Article précédent

Revue TELECOM 186 - L'apport de l'intelligence artificielle dans l'optimisation et la maîtrise des processus industriels

Articles Revue TELECOM

-

15/10/2017

 

L’APPORT DE L'INTELLIGENCE 

ARTIFICIELLE 

dans l’optimisation et la maîtrise des 

processus industriels

 

Par Amine Lies Benhenni dans la revue TELECOM n° 186

 

La recherche d’outils pour la maîtrise et l’optimisation de processus industriels a toujours été un enjeu primordial. L’utilisation de l’intelligence artificielle marque une nouvelle étape en ce sens.

 

Les mêmes outils statistiques sont utilisés depuis plusieurs décennies pour le contrôle et la maîtrise des processus industriels, parmi lesquels figure en bonne place la maîtrise statistique des procédés, qui permet le suivi de variables facilement accessibles, pour valider la qualité de production et la capabilité du procédé. Mais les approches classiques sont généralement pertinentes pour des processus simples, instantanés et linéaires. En effet, que se passe-t-il lorsque les procédés de production deviennent complexes, font intervenir des phénomènes naturels variés avec des temps caractéristiques longs et variables, et sont de nature hautement non-linéaire ? La seule solution reste la modélisation du procédé à l’aide d’outils de simulation ; dans ce cas, construire les modèles peut être un véritable parcours du combattant, nécessitant jusqu’à plusieurs années d’investissement en R&D qui sont souvent difficilement justifiables.

 

Modéliser en exploitant toutes les sources de données

 

Chez Dataswati, nous avons décidé d’aborder la problématique en partant des données, et en exploitant l’état de l’art en intelligence artificielle pour reconstruire la dynamique d’un processus industriel. Un algorithme apprenant est programmé non pas pour exécuter des tâches spécifiques, mais pour les apprendre à partir d’exemples, pour classifier des éléments, les regrouper par éléments similaires, ou encore pour apprendre à prédire des valeurs. L’intérêt réside dans la prise en compte de comportements complexes et le développement de modèles prédictifs à partir des données. Il devient possible d’envisager des combinaisons complexes de signaux provenant de sources de données hétérogènes, comme les enregistrements des automates, les relevés de capteurs et les images ou vidéos de contrôle, afin de prédire une ou plusieurs variables cibles, ce qui est inimaginable avec les approches classiques.

La modélisation à partir des principes premiers, à un niveau de précision suffisant, peut être laborieuse, longue et coûteuse. Lorsque le modèle est déjà disponible, il est habituellement conçu pour prendre en compte les effets dominants qui permettent de comprendre la dynamique du système, et il existe toujours un compromis entre le temps passé à le construire et la précision atteinte. Avec notre approche par la donnée, le compromis sera sur le temps et les ressources consacrés à l’acquisition et au stockage des données. Si le système change, il n’est pas nécessaire de reprendre le processus de modélisation de zéro. L'intelligence artificielle le capture à partir des nouvelles données. Le système d’acquisition est ainsi rapidement rentabilisé.

 

 

 

 

 

Réseau convolutif ResNet

Les réseaux de neurones sont bien plus profonds et complexes. Ici on voit le schéma de ResNet pour l’analyse d’image avec 152 couches de neurones. (He, Kaiming, et al. "Deep residual learning for image recognition." CVPR 2016)

 

Le renouveau des réseaux de neurones

L’utilisation de réseaux de neurones pour simuler un processus industriel n’est pas une idée nouvelle et on peut facilement en trouver des exemples dans la littérature, mais la tendance s’est nettement accélérée ces deux dernières années. De plus en plus de travaux testent des modèles par apprentissage dans une grande variété de domaines en physique, en chimie ou en biologie entre autres. Cette accélération est due aux nombreux progrès accomplis dans le domaine de l’apprentissage automatique et dans le Deep Learning. Aujourd’hui, les topologies de réseaux de neurones sont extrêmement sophistiquées par rapport au classique perceptron multicouches qui, malgré sa popularité, a longtemps souffert de limitations pratiques. Les réseaux profonds sont aujourd’hui possibles grâce à de nombreuses avancées accumulées ces dernières années jusqu’à un niveau critique, qui a permis l’émergence d’une nouvelle ère d’intelligence artificielle. On notera notamment les réseaux de neurones récurrents et convolutifs. Les premiers permettent de traiter des informations séquentielles, par exemple les mots qui se suivent dans une phrase, ou les valeurs consécutives dans des séries temporelles. Les seconds améliorent systématiquement les performances de traitement d’image, et présentent l’avantage de réduire le prétraitement, puisqu’ils sont capables d’extraire différentes représentations hiérarchiques de l’information à partir des images brutes.

 

L’intelligence artificielle au service de l’industrie

Les processus industriels sont souvent une succession d’étapes diverses, longues et complexes. Une supervision précise de chaque étape, avec l’ensemble des combinaisons possibles de paramètres peut être fastidieuse. Être capable de prédire à chaque moment la sortie peut aider à mieux contrôler l’ensemble du processus, et ainsi anticiper au lieu de subir les résultats du contrôle qualité en fin de cycle. Il est également possible d’utiliser des outils prédictifs pour avoir accès à des mesures difficiles, coûteuses ou nécessitant un protocole long à mettre en place.

L’existence d’algorithmes en mesure de valider rapidement la conformité et/ou la sécurité d’un produit peut augmenter considérablement la cadence de production sans nuire à la qualité. Au lieu d’échantillonner au hasard, il est possible d’avoir un contrôle algorithmique systématique et de prédire les pièces les plus susceptibles d’être non-conformes. Un contrôle humain plus approfondi peut alors se concentrer sur les cas signalés, avec une répartition optimale du savoir-faire humain. A elle seule, l’analyse d’image a un potentiel riche lorsqu’on sait que de nombreux processus industriels reposent sur des contrôles visuels.

Nous voyons ainsi arriver une nouvelle génération de systèmes avancés de contrôle de processus industriels, reposant sur les nouveaux paradigmes de la Data Science, via une approche bottom-up qui part des données pour apprendre les régimes de fonctionnement et prédire les paramètres et les variables associés.

Il faut toutefois garder à l’esprit que loin d’être une solution magique, l’approche nécessite quelques prérequis, notamment en termes de disponibilité des données opérationnelles. Bien que la mise en place de capteurs sur les chaînes de production soit aujourd’hui facilité, il n’est pas rare de trouver de nombreux relevés de qualité manuscrits. Ce qui amène à la problématique de mise à disposition des données, puisque les usines restent des environnements complexes à connecter. Mais à terme, la question se posera de moins en moins avec l’arrivée de technologies dédiées aux objets connectés, et notamment le développement rapide des réseaux de type LPWAN (LoRa/Sigfox). Il faudra enfin prévoir dans certains cas de déporter les calculs sur site (Edge Computing) lorsqu’un procédé particulier nécessite des fréquences d’échantillonnage élevées.

 

Apprentissage hiérarchique de la représentation des images

Ici le réseau de neurones a appris, à partir des pixels bruts, différents niveaux d’informations, en commençant par des formes simples sur les premiers niveaux, puis des éléments complets sur les couches supérieures. (Zeiler, Fergus "Visualizing and understanding Convolutional Networks." ECCV 2014)

 

Biographie de l'auteur

 

Amine Lies Benhenni, Lead Data Scientist / Directeur R&D chez Dataswati. Amine Benhenni est docteur en physique des particules, et Data Scientist depuis sept ans. Il est co-fondateur de Dataswati, start-up qui fournit des solutions d’intelligence artificielle pour l’industrie du futur, où il est responsable du développement des intelligences artificielles au cœur de la solution PowerOp®.

 

 

 

 

   dataswati.com      

 

   @bendaizer

 

linkedin.com/in/albenhenni/

2575 vues Visites

J'aime

Commentaires0

Veuillez vous connecter pour lire ou ajouter un commentaire

Articles suggérés

Articles Revue TELECOM

Revue TELECOM 194 - Editorial Laura Peytavin et Yves Poilane

User profile picture

Rédaction Revue TELECOM

13 novembre

Articles Revue TELECOM

Revue TELECOM 193 - La kippa bleue

User profile picture

Rédaction Revue TELECOM

15 juin

Articles Revue TELECOM

Revue TELECOM 193 - La transformation digitale (numérique) 2.0

User profile picture

Rédaction Revue TELECOM

15 juin