Quand l’IA optimise l’utilisation des équipements et le fonctionnement des usines
Charlie Sheridan
Technology Director, Global Manufacturing, Industrial and Transportation, Google Cloud
Ka Wo Fong
Industry Solutions Architect, Cloud Manufacturing Solutions, Google Cloud
Contactez-nous
Si vous êtes une entreprise et que vous souhaitez vous développer, découvrez comment gagner en productivité avec Google Cloud ou contactez notre équipe commerciale.
Commencer iciL’industrie manufacturière se digitalise, les fabricants misent sur des technologies innovantes pour renforcer leur compétitivité, assurer une croissance durable et offrir de nouveaux services. De nouveaux facteurs macroéconomiques, tels que les coûts élevés de l'énergie, l'augmentation du coût de la main-d'œuvre ou encore les pénuries de matières premières, rendent cette transformation encore plus urgente, notamment au niveau de l’optimisation opérationnelle et de l’automatisation.
Les fonctionnalités offertes par le cloud ont beaucoup évolué. Ce dernier propose désormais un large éventail de solutions pour permettre aux fabricants d’atteindre leurs objectifs. Ils sont toujours plus nombreux à appliquer l’IA et le ML à des cas d’usages concrets, comme la maintenance prédictive, la détection des anomalies et la gestion de l'utilisation des équipements. Toutefois, les fabricants ont souvent du mal à passer l’IA à l’échelle, notamment à cause des défis liés à l'accessibilité des données mais aussi pour des raisons d’infrastructure et de technologie.
Google Cloud a imaginé des solutions et des outils spécialement conçus pour gérer les données des industries manufacturières. Objectif : rendre les données plus accessibles et favoriser une réduction des délais de mise en œuvre afin de retirer de la valeur plus rapidement. Dans cet article, nous vous proposons de découvrir à travers un cas d’usage concret, comment les fabricants peuvent utiliser ces solutions pour entraîner un modèle ML, le déployer et en extraire de la valeur dans le domaine de la maintenance prédictive et de l’utilisation des équipements.
Pas de ML sans données accessibles
Tout projet ML commence forcément par l’unification des données nécessaires dans une base commune. Dans cette perspective, nous allons utiliser Manufacturing Connect, plateforme pour le Edge en usine co-développée avec Litmus Automation qui se connecte aux équipements de fabrication et transmet les télémétries collectées au service Pub/Sub.
Dès que les messages de télémétrie sont publiés via Pub/Sub, Dataflow les identifie en fonction de leur structure et effectue un ensemble d’opérations de normalisation et de transformation selon des règles prédéfinies dans Manufacturing Data Engine. Une fois les messages traités, ils sont acheminés vers Cloud Storage, BigQuery et/ou Cloud BigTable en fonction de la configuration de l'utilisateur.
Figure1. Schéma d'architecture générale du ML avec Manufacturing Data Engine
Pour entrainer un modèle ML, les fabricants peuvent utiliser Vertex AI AutoML afin de concevoir un modèle en no-code entrainé avec les données stockées dans Manufacturing Data Engine.
Les utilisateurs peuvent ensuite déclencher un processus de « prédictions par lot » dans VertexAI ou exporter le modèle AutoML pour l'exécuter sur le composant Edge de Manufacturing Connect afin d’effectuer une prédiction en temps réel. Quelles que soient la méthode de déploiement du modèle, la prédiction et l’explication des résultats sont enregistrés dans Manufacturing Data Engine. Ils peuvent ensuite être analysés et visualisés dans Looker.
Un schéma directeur pour évaluer l'état des actifs
Dans le scénario suivant, nous utiliserons une entreprise fictive, Cymbal Materials, qui exploite plus de 50 usines dans plus de 10 pays. 90 % des processus de fabrication de Cymbal Materials impliquent des opérations de fraisage, réalisées à l'aide de fraiseuses industrielles à commandes numériques par ordinateur (CNC). Bien que les usines aient mis en œuvre des procédures de contrôle pour les maintenances de routine, des défaillances imprévues et inconnues se produisent occasionnellement. En raison de la pénurie de main-d'œuvre et du turnover élevé dans les usines, la plupart des ouvriers de Cymbal Materials n'ont pas l'expérience nécessaire pour identifier et dépanner les machines. C'est pourquoi Cymbal Materials collabore avec Google Cloud pour élaborer un modèle ML capable d'identifier et d'analyser les défaillances en s'appuyant sur Manufacturing Connect, Manufacturing Data Engine et Vertex AI.
Pour ce projet pilote, Cymbal Materials forme une équipe d'ingénieurs de fabrication et de data scientists afin d'évaluer la faisabilité d’une solution capable de détecter le taux d’usure des outils. Pour éviter les problèmes de conformité, l'équipe de Cymbal Materials choisit de commencer avec un jeu de données publiques de détection de l'usure des outils, hébergé sur Kaggle. Ce jeu de données a été collecté lors d'expériences d'usinage sur des blocs de cire de 2" x 2" x 1,5" dans une fraiseuse CNC. L'ensemble de données contient les mesures des 4 moteurs (axes X, Y, Z et broche) et les valeurs du programme de la machine CNC, ce qui correspond bien aux données que Cymbal Materials recueille en temps normal pour ses fraiseuses CNC.
Les data scientists de Cymbal Materials commencent par télécharger le jeu de données de détection de l'usure des outils de Kaggle et le stockent dans Cloud Storage. Ils utilisent ensuite Vertex AI pour :
Effectuer une analyse exploratoire des données à l'aide de Vertex AI Workbench
Entrainer des modèles ML avec Vertex AI AutoML
Déployer des modèles ML pour effectuer des prédictions par lots et exporter des modèles AutoML pour un déploiement Edge
Interpréter les prédictions avec Vertex Explainable AI
Après avoir constaté les excellentes performances du modèle tabulaire AutoML, les data scientists de Cymbal Materials décident de l'utiliser pour prédire les télémétries réelles des fraiseuses CNC de leurs usines et ainsi pouvoir valider son déploiement à l’échelle. Ils demandent aux ingénieurs de fabrication de déployer Manufacturing Connect dans une usine de Cymbal Materials et de transmettre les télémétries d'une fraiseuse CNC à Manufacturing Data Engine.
Manufacturing Connect propose un composant Edge qui permet de collecter les données des équipements de fabrication grâce à une vaste bibliothèque de 250 protocoles de communication de machines industrielles. Le composant est livré avec Node-RED et le runtime Docker intégrés, ce qui permet d'exécuter des workflows personnalisés et des modèles ML directement à l’Edge.
Manufacturing Connect transmet les télémétries et les états des équipements à Pub/Sub selon des priorités prédéfinies.
Une fois les données opérationnelles de l'usine intégrées à Pub/Sub, Cymbal Materials utilise Manufacturing Data Engine pour :
Normaliser, transformer et contextualiser les données opérationnelles en temps réel avec des métadonnées qui évoluent lentement,
Ingérer par lots les données opérationnelles historiques et les résultats des prédictions,
Acheminer les données de manière dynamique vers Cloud Storage, BigQuery et/ou Cloud BigTable.
En appui sur le modèle tabulaire AutoML entraîné et les télémétries collectées en temps réel depuis les fraiseuses CNC, les data scientists déclenchent le processus de prédictions par lot sur les télémétries stockées dans BigQuery. La prédiction par lot est configurée de sorte que les résultats soient stockés dans Cloud Storage afin que Manufacturing Data Engine puisse ingérer les résultats une fois la prédiction par lot terminée.
Pour exploiter les résultats de la prédiction, les ingénieurs de fabrication de Cymbal Materials utilisent Looker afin de créer des vues ou tableaux de bord. Ces derniers leur permettent de :
· Visualiser l’état réel et les évolutions possibles de la fraiseuse CNC au fil du temps
· Expliquer les résultats de la prédiction grâce à la visualisation d’indicateurs clefs
· Créer des alertes basées sur les évolutions prédites pour chaque machine
· Prendre des mesures anticipatives en contactant le fournisseur et/ou en planifiant la maintenance de leurs actifs.
Figure 6. Prévision de l'usure d'une fraiseuse CNC affichée dans un tableau de bord Looker.
De l’edge au cloud : optimiser la production de l’industrie manufacturière
Afin de renforcer la valeur apportée par la transformation numérique dans l’industrie, les fabricants sont en quête de solutions allant des simples tableaux de bord aux modèles ML prédictifs. Des solutions robustes, telles que celles présentées dans cet article, permettent aux ingénieurs d’extraire rapidement de la valeur des données produites en usine.
Disposer d’une base de données centrale, d’une plateforme ML à la pointe de la technologie et de fonctionnalités modulables pour construire des tableaux de bord constitue sans aucun doute un atout pour accélérer la transformation numérique dans l’industrie manufacturière.
Avec ces solutions, les industriels ont la certitude de profiter de ce qui se fait de mieux en matière d'analyse de données et d'intelligence artificielle chez Google Cloud. Manufacturing Connect établit le lien avec les machines industrielles et la plateforme Manufacturing Data Engine traite, normalise, contextualise et stocke les données dans un format « prêt à consommer ». Dès lors, Vertex AI peut construire, déployer et mettre à l'échelle des modèles ML en utilisant les données stockées par Manufacturing Data Engine. Vertex AI inclut AutoML et Workbench, deux solutions permettant respectivement d'entraîner des modèles sans programmation (en no-code, donc) ou de développer leurs propres modèles et les entraîner.
Pour en savoir plus sur la façon dont Google Cloud transforme ses solutions pour répondre aux évolutions et attentes de l'industrie manufacturière, consultez notre playlist Google Cloud Next Manufacturing.
