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.

1. www.cetic.be
Utilisation de l’IA dans le manufacturing
Retour d’expérience
Mathieu Goeminne
1

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

4. www.cetic.be
Projets industriels mettant en œuvre l’IA
4

5. www.cetic.be
Vers l’industrie 4.0
5
[https://www.ordinal.fr]

6. www.cetic.be
Positionnement
6
[Intelligence artificielle: guide de survie — Comprendre, raisonner et interagir autrement avec l’IA, Microsoft]

7. www.cetic.be
L’IA dans l’industrie: Pour quoi faire?
7

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]

9. www.cetic.be
Une plateforme pour l’IA industrielle
9

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]

17. www.cetic.be
Cas d’utilisation
17

18. www.cetic.be
Optimisation combinatoire
Ou « l’autre IA »
18

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?

20. www.cetic.be
Soft Sensor
Ou l’estimation de ce qui ne peut être (toujours) mesuré
20

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%

23. www.cetic.be
Cas: Prédiction de la teneur en P2O5 dans un produit
23

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

25. www.cetic.be
Apprentissage non supervisé pour la
détection d’anomalies en multivarié
25

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

31. www.cetic.be
Cas: Détection d’anomalies sur une concentration
• Évolution au cours du temps, testing set.
31

32. www.cetic.be
Quelques pistes de recherche
32

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]

35. www.cetic.be
Conclusion
35

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

37. www.cetic.be
linkedin.com/company/cetic
info@cetic.be
+32 71 490 700
twitter.com/@CETIC
twitter.com/@CETIC_be
www.cetic.be
Aéropole de Charleroi-Gosselies
Avenue Jean Mermoz 28
B-6041 Charleroi - Belgique
Merci
Mathieu Goeminne
mathieu.goeminne@cetic.be