Retour d'expérience sur l'utilisation de l'intelligence artificielle dans le manufacturing. Différentes techniques sont exposées, et des cas concrets d'utilisation sont discutés.
2. www.cetic.be
Agenda
• Le CETIC et l’intelligence artificielle dans l’industrie
• L’IA dans l’industrie: pour quoi faire?
• Une plateforme pour l’IA industrielle
• Cas d’utilisation
• Quelques pistes de recherche
• Conclusion
2
3. www.cetic.be
À propos du CETIC
3
• Centre de recherche en ICT,
Gosselies
• 50 chercheurs
• Certains de nos domaines
d’expertise:
• Systèmes distribués &
architectures Cloud
• Data Engineering & Data
Science
• Optimisation combinatoire
8. www.cetic.be
Utilité de l’IA dans l’industrie
• Détection (d’objets, de situations
dangereuses, de présence, etc.)
• Soft sensor: capteur « virtuel » basé
sur des capteurs réel
• en particulier: quantité & qualité
• Planification (de la production, de sa
logistique)
• Analyse de procédés
• Maintenance prédictive
• Pilotage de la production (garder un
humain dans la boucle)
8
[https://peaktopeakroofing.com]
10. www.cetic.be
Pyramide de l’automation
10
• Besoin de créer des passerelles
• horizontalement: liens entre entités de même « niveau »
• verticalement: communication entre « niveaux »
[https://bit.ly/2IiXO70]
11. www.cetic.be
FADI
• Une plateforme pour l’intégration, le déploiement et l’exploitation
de services à grande échelle
11
• Sélection et
préparation de
logiciels pour le
traitement de
données
• Déploiement
automatique, on
premise ou dans le
Cloud.
• Basé sur Kubernetes
12. www.cetic.be
FADI: Les outils IA
• Binder pour la préparation
d’environnements ad hoc.
• Jupyter pour la préparation
de modèles de machine
learning
• MLFlow pour l’évaluation
des modèles
• Seldon pour le packaging et
le service des modèles
• Spark pour l’exploitation des
modèles à grande échelle
• …
12
13. www.cetic.be
TSorage
• Basé sur FADI
• Pour la collecte, le stockage et le
traitement de séries chronologiques à
grande échelle
• Rollups automatiques en temps réel
• Dérivation de valeurs brutes
• Filtrage, agrégation, ventilation, …
• Gestion de la qualité de la donnée
• Architecture ouverte aux moteurs de
traitement
13
14. www.cetic.be
Vue unifiée entre plusieurs installations
14
• Des instances locales partagent leurs
mesures de manière asynchrones.
• Objectif
• Vue holistique de la production.
• Les observations sont persistantes
et disponibles, mais si disparition
d’un site complet.
• Utile pour
• Développer des solutions d’IA
pour toutes les installations.
• Prise en compte des différences
entre les installation, pour une IA
plus robuste.
• IA qui prend en compte les
interactions entre les installations.
15. www.cetic.be
Enrichissement sémantique avec des tags
• Propriétés clef-valeur arbitraires, rattachées aux capteurs et aux observations
(cf http://metrics20.org/)
15
CRL_L2_INFLOW_AIR_TEMPERATURE
plant: CRL
production_line: L2
where: inflow
what: air
property: temperature
confidence: good
battery: low
• Objectif: Gestion de méta-données
• Sens: phénomène mesuré, propriété, unité de mesure, consigne/mesure, etc.
• Contexte: procédé mesuré, asset impliqué, entrée/sortie, dans/avant/après/pendant, etc.
• État du capteur: niveau de la batterie, force du sign, fiabilité de la donnée, etc.
• Utile pour
• Exploration & visualisation. Ex: « température moyenne de l’entrée d’air par ligne de
production »
• Entraînement de modèles de ML. Ex: sélection de tous les capteurs qui sont liés à un
procédé, en exprimant toutes les pressions en bar, etc.
• Déploiement de l’IA dans des environnements similaires.
16. www.cetic.be
Des machines à états pour représenter les procédés
• Un « jumeau numérique » pour
représenter la dynamique d’un
procédé industriel.
• Objectifs
• Formaliser les connaissances d’un
expert relatives au statut/étape/
mode des procédés.
• Supervision d’un procédé en
« alimentant » la machine à état
du flux de mesures provenant des
capteurs.
• Utile pour
• Fournir à une IA une représentation
contextuelle explicité d’un procédé.
• Détecter des déviations de procédé
→ process mining, détection
d’anomalies.
16
[https://bit.ly/2Tunqkh]
19. www.cetic.be
Planification dans l’usine
• Où placer les différents
éléments de l’usine?
• Contraintes de places,
d’ordonnancement de la
production, etc.
• Optimisation de la capacité, des
coûts de construction et de
maintenance, etc.
19
[
https://www.designnews.com
]
[https://www.hrdots.com]
• Quand changer de couleur de
peinture?
• Comment gérer le placement de
cet équipement optionnel?
• Comment composer avec un
retard du fournisseur?
21. www.cetic.be
Ce qui limite la mesure
• Coût: achat, maintenance, supervision
• Intervention humaine (ex: labo)
• Temps, risque, inexpérience, arbitraire/biais
• Ex: qualification et quantification de cristaux
dans un échantillon
• Fiabilité du capteur
• Contrôle qualité en bout de production
• En labo → peu fréquemment
• Des heures après que le produit ait quitté le
procédé: délai + des heures de prod à jeter en
cas de problème.
• Solution: modèle prédictif qui remplace/complète
la mesure.
21
22. www.cetic.be
Cas: Prédiction de la teneur en P2O5 dans un produit
22
Ca3(PO4)2 + 3 H2SO4 Þ 2 H3PO4 + 3 CaSO4
Phosphate
rocks
Sulfuric Acid
98%
Phosphoric Acid
Valorisation:
- soda
- fertilizer
- …
GYPSUM
Valorisation:
Plaster (Knauf)
-> residual concentration in
P2O5 into gypsum < 0,56%
24. www.cetic.be
Cas: Prédiction de la teneur en P2O5 dans un produit
24
• Approche principalement basée sur le filtre
• Modèle prédictif: utilisation conjointe de
• 1 arbre de décision
• 2 réseaux de neurones
• Ajout de la prédiction comme « capteur » dans un dashboard
26. www.cetic.be
Problématique
• Une usine = xx • 1000 capteurs
• Un « poste » = quelques dizaines de capteurs
• Les capteurs fonctionnent-ils?
• Fonctionnent-ils correctement?
• Leurs valeurs reflètent-elles une production « normale » ?
26
[“Advanced Topics in Statistical Process Control” https://bit.ly/3kmJXdt]
27. www.cetic.be
1. PCA
27
[https://bit.ly/2IgwUMP]
• Transformation linéaire d’un espace à N dimensions vers un espace à k dimensions (N > k)
• Profite des corrélations entre dimensions pour « compresser » l’information
• On capture « l’essence » des relations, ie leurs relations.
• En appliquant la transformation inverse, on retourne sur un espace à N dimensions
• Dont les valeurs sont similaires aux valeurs originale.
• Si x est anormal, les relations entre dimensions ne sont plus les mêmes et x n’est pas
bien transformé: grande différence entre l’information originale et cette
« reconstruite ».
28. www.cetic.be
2. Autoencoder
• Réseau de neurones qui apprend à recréer son entrée en sortie.
• Passage par une couche centrale (espace latent).
• Compression du signal, par transformations non linéaires.
• L’erreur de reconstruction est une mesure de l’anomalie.
28
[https://bit.ly/38nCVlJ]
29. www.cetic.be
3a. Autoencoder variationnel
• Similaire à un autoencodeur « classique »
• Aspect probabiliste: chaque observation est transformé dans l’espace latent en une probabilité, résumée
par une distribution gaussienne à k dimensions.
• Régulation basée sur la divergence de Kullback-Leibler (mesure de dissimilarité entre deux
distributions de probabilité)
• Monte-Carlo: on « tire » des échantillons de la distribution.
• Agrégation des erreurs des reconstructions.
29
[https://bit.ly/3eBsFHx]
30. www.cetic.be
Cas: Détection d’anomalies sur une concentration
• 10 capteurs.
• Training sur 5 jours, puis testing sur 5 jours.
• Projection du test set en 2D (T-SNE), couleur = - log(erreur de
reconstruction)
30
33. www.cetic.be
Apprentissage par renforcement pour le contrôle de procédé
• Aujourd’hui: le régulateur PID (très
répandu)
• Agit Proportionnellement à l’erreur,
à son Intégrale ou à sa Dérivée.
• Pas très bon pour
• le contrôle à grande échelle
(réaction aux symptômes, pas aux
causes sous-jacentes);
• l’incertitude;
• les procédés avec d’importants
délais entre causes et effets;
• les relations non linéaires des
paramètres;
• Une IA basée sur le RL pourrait s’avérer
intéressante dans de tels contextes.
33
[https://bit.ly/32sCZgp]
[https://www.firediy.fr]
34. www.cetic.be
Une aide à l’optimisation
• Lorsqu’on optimiser une caractéristique de la production,
possibilité d’importantes différences entre la théorie et la
pratique
• Beaucoup de facteurs négligés et non contrôlés
(encrassement, échauffement, oubli de fermeture d’une
vanne…).
• Relations entre les facteurs et la cible plus complexes
qu’annoncé.
• Utilisation d’un modèle prédictif comme approximation de la
fonction à optimiser.
34
• Exemple: projet Gasnet
• CO et H2 en co-produit de l’acier.
• Utilisé comme source d’énergie par
l’usine, stockage limité.
• Deep Echo State Network pour
prédire la production et
consommation des gaz + planification
de la production pour optimiser les
flux de gaz.
[https://bit.ly/3pfU9Yq]
36. www.cetic.be
Conclusion
• Beaucoup d’opportunité pour l’IA dans le manufacturing
• Mais encore beaucoup de travail également (en particulier en RW)
• Les données sont la clef. Elles sont là, mais pas toujours
directement exploitables → Socle technologique pour pouvoir
exploiter les données.
• Secteur qui perçoit le potentiel de l’IA, mais hésite à la mettre
en œuvre (risque pour l’emploi, perte de contrôle, …)
• L’IA à tous les niveaux, de l’opérationnel au stratégique.
• Foisonnement d’approches très prometteuses au niveau de la
recherche
• Beaucoup d’efforts pour les appliquer sur le terrain.
36