SlideShare une entreprise Scribd logo
www.cetic.be
Utilisation de l’IA dans le manufacturing
Retour d’expérience
Mathieu Goeminne
1
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
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
www.cetic.be
Projets industriels mettant en œuvre l’IA
4
www.cetic.be
Vers l’industrie 4.0
5
[https://www.ordinal.fr]
www.cetic.be
Positionnement
6
[Intelligence artificielle: guide de survie — Comprendre, raisonner et interagir autrement avec l’IA, Microsoft]
www.cetic.be
L’IA dans l’industrie: Pour quoi faire?
7
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]
www.cetic.be
Une plateforme pour l’IA industrielle
9
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]
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
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
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
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.
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.
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]
www.cetic.be
Cas d’utilisation
17
www.cetic.be
Optimisation combinatoire
Ou « l’autre IA »
18
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?
www.cetic.be
Soft Sensor
Ou l’estimation de ce qui ne peut être (toujours) mesuré
20
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
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%
www.cetic.be
Cas: Prédiction de la teneur en P2O5 dans un produit
23
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
www.cetic.be
Apprentissage non supervisé pour la
détection d’anomalies en multivarié
25
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]
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 ».
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]
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]
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
www.cetic.be
Cas: Détection d’anomalies sur une concentration
• Évolution au cours du temps, testing set.
31
www.cetic.be
Quelques pistes de recherche
32
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]
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]
www.cetic.be
Conclusion
35
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
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

Contenu connexe

Similaire à Utilisation de l’IA dans le manufacturing - Retour d'expérience

L'IoT, c'est maintenant. Microsoft Experiences 2016
L'IoT, c'est maintenant. Microsoft Experiences 2016L'IoT, c'est maintenant. Microsoft Experiences 2016
L'IoT, c'est maintenant. Microsoft Experiences 2016
Alex Danvy
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech
 
Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022
 Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022 Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022
Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022
Yvon Gervaise
 
Presentation BMIA
Presentation BMIAPresentation BMIA
Presentation BMIA
PMarsaud
 
Développement d'un grand projet piloté par les tests (BDD)
Développement d'un grand projet piloté par les tests (BDD)Développement d'un grand projet piloté par les tests (BDD)
Développement d'un grand projet piloté par les tests (BDD)
Laurent PY
 
Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...
Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...
Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...
FactoVia
 
Blockchain-Présentation-ENERGISME.pdf
Blockchain-Présentation-ENERGISME.pdfBlockchain-Présentation-ENERGISME.pdf
Blockchain-Présentation-ENERGISME.pdf
KarimGharbi9
 
FTC Workshop-genci
FTC  Workshop-genciFTC  Workshop-genci
FTC Workshop-genci
FrenchTechCentral
 
Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...
Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...
Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...
FactoVia
 
Grille de calule
Grille de caluleGrille de calule
Grille de calule
Hadjer BENHADJ DJILALI
 
Pres azure paas tdf -rex-hager-vincent thavonekham-regional director-azug f...
Pres azure   paas tdf -rex-hager-vincent thavonekham-regional director-azug f...Pres azure   paas tdf -rex-hager-vincent thavonekham-regional director-azug f...
Pres azure paas tdf -rex-hager-vincent thavonekham-regional director-azug f...
FactoVia
 
Talk Session COSMAL du GDR GPL 2011
Talk Session COSMAL du GDR GPL 2011Talk Session COSMAL du GDR GPL 2011
Talk Session COSMAL du GDR GPL 2011
Sébastien Mosser
 
Workshop IA : supercalculateur pour booster vos projets par GENCI
Workshop IA : supercalculateur pour booster vos projets par GENCIWorkshop IA : supercalculateur pour booster vos projets par GENCI
Workshop IA : supercalculateur pour booster vos projets par GENCI
Stéphanie Roger
 
Klee Group Présentation Urbanisation DIRISI
Klee Group Présentation Urbanisation DIRISIKlee Group Présentation Urbanisation DIRISI
Klee Group Présentation Urbanisation DIRISI
Samuel Mingot
 
[Workshop] Calcul intensif - GENCI
[Workshop] Calcul intensif - GENCI[Workshop] Calcul intensif - GENCI
[Workshop] Calcul intensif - GENCI
FrenchTechCentral
 
Santé : accélérez avec la puissance du calcul intensif - GENCI
Santé : accélérez avec la puissance du calcul intensif - GENCISanté : accélérez avec la puissance du calcul intensif - GENCI
Santé : accélérez avec la puissance du calcul intensif - GENCI
FrenchTechCentral
 
"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014
"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014
"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014
Benoît de CHATEAUVIEUX
 
Réalité virtuelle Immersive pour la conception de postes de travail
Réalité virtuelle Immersive pour la conception de postes de travailRéalité virtuelle Immersive pour la conception de postes de travail
Réalité virtuelle Immersive pour la conception de postes de travail
Alexandre BOUCHET
 
VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...
VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...
VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...
Institut de l'Elevage - Idele
 
L'IoT: Comment passer à l'echelle
L'IoT: Comment passer à l'echelleL'IoT: Comment passer à l'echelle
L'IoT: Comment passer à l'echelle
Francois Hamon
 

Similaire à Utilisation de l’IA dans le manufacturing - Retour d'expérience (20)

L'IoT, c'est maintenant. Microsoft Experiences 2016
L'IoT, c'est maintenant. Microsoft Experiences 2016L'IoT, c'est maintenant. Microsoft Experiences 2016
L'IoT, c'est maintenant. Microsoft Experiences 2016
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
 
Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022
 Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022 Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022
Bienvenue sur le Cours- Conférence de Y.Gervaise du 5 Janvier 2022
 
Presentation BMIA
Presentation BMIAPresentation BMIA
Presentation BMIA
 
Développement d'un grand projet piloté par les tests (BDD)
Développement d'un grand projet piloté par les tests (BDD)Développement d'un grand projet piloté par les tests (BDD)
Développement d'un grand projet piloté par les tests (BDD)
 
Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...
Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...
Sido 2017 : Vincent Thavonekham, MVP azure et Regional Director, VISEO, Retou...
 
Blockchain-Présentation-ENERGISME.pdf
Blockchain-Présentation-ENERGISME.pdfBlockchain-Présentation-ENERGISME.pdf
Blockchain-Présentation-ENERGISME.pdf
 
FTC Workshop-genci
FTC  Workshop-genciFTC  Workshop-genci
FTC Workshop-genci
 
Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...
Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...
Retour d'expérience Large IoT project / BigData : détail du cas réel de Hager...
 
Grille de calule
Grille de caluleGrille de calule
Grille de calule
 
Pres azure paas tdf -rex-hager-vincent thavonekham-regional director-azug f...
Pres azure   paas tdf -rex-hager-vincent thavonekham-regional director-azug f...Pres azure   paas tdf -rex-hager-vincent thavonekham-regional director-azug f...
Pres azure paas tdf -rex-hager-vincent thavonekham-regional director-azug f...
 
Talk Session COSMAL du GDR GPL 2011
Talk Session COSMAL du GDR GPL 2011Talk Session COSMAL du GDR GPL 2011
Talk Session COSMAL du GDR GPL 2011
 
Workshop IA : supercalculateur pour booster vos projets par GENCI
Workshop IA : supercalculateur pour booster vos projets par GENCIWorkshop IA : supercalculateur pour booster vos projets par GENCI
Workshop IA : supercalculateur pour booster vos projets par GENCI
 
Klee Group Présentation Urbanisation DIRISI
Klee Group Présentation Urbanisation DIRISIKlee Group Présentation Urbanisation DIRISI
Klee Group Présentation Urbanisation DIRISI
 
[Workshop] Calcul intensif - GENCI
[Workshop] Calcul intensif - GENCI[Workshop] Calcul intensif - GENCI
[Workshop] Calcul intensif - GENCI
 
Santé : accélérez avec la puissance du calcul intensif - GENCI
Santé : accélérez avec la puissance du calcul intensif - GENCISanté : accélérez avec la puissance du calcul intensif - GENCI
Santé : accélérez avec la puissance du calcul intensif - GENCI
 
"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014
"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014
"La Performance en Continue" à JMaghreb 3.0 - 05/11/2014
 
Réalité virtuelle Immersive pour la conception de postes de travail
Réalité virtuelle Immersive pour la conception de postes de travailRéalité virtuelle Immersive pour la conception de postes de travail
Réalité virtuelle Immersive pour la conception de postes de travail
 
VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...
VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...
VICTOR - VIandes en CircuiTs cOuRts : comment les éleveurs transforment leurs...
 
L'IoT: Comment passer à l'echelle
L'IoT: Comment passer à l'echelleL'IoT: Comment passer à l'echelle
L'IoT: Comment passer à l'echelle
 

Plus de Mathieu Goeminne

Spark - au dela du dataframe avec Tungsten et Catalyst
Spark - au dela du dataframe avec Tungsten et CatalystSpark - au dela du dataframe avec Tungsten et Catalyst
Spark - au dela du dataframe avec Tungsten et Catalyst
Mathieu Goeminne
 
Se noyer dans les yeux de Cassandre
Se noyer dans les yeux de CassandreSe noyer dans les yeux de Cassandre
Se noyer dans les yeux de Cassandre
Mathieu Goeminne
 
De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...
De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...
De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...
Mathieu Goeminne
 
L'intelligence artificielle au sein des entreprises wallonnes
L'intelligence artificielle au sein des entreprises wallonnesL'intelligence artificielle au sein des entreprises wallonnes
L'intelligence artificielle au sein des entreprises wallonnes
Mathieu Goeminne
 
Intelligence artificielle : la situation dans les entreprises wallonnes
Intelligence artificielle : la situation dans les entreprises wallonnesIntelligence artificielle : la situation dans les entreprises wallonnes
Intelligence artificielle : la situation dans les entreprises wallonnes
Mathieu Goeminne
 
Introduction au Machine Learning
Introduction au Machine LearningIntroduction au Machine Learning
Introduction au Machine Learning
Mathieu Goeminne
 
Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...
Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...
Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...
Mathieu Goeminne
 

Plus de Mathieu Goeminne (7)

Spark - au dela du dataframe avec Tungsten et Catalyst
Spark - au dela du dataframe avec Tungsten et CatalystSpark - au dela du dataframe avec Tungsten et Catalyst
Spark - au dela du dataframe avec Tungsten et Catalyst
 
Se noyer dans les yeux de Cassandre
Se noyer dans les yeux de CassandreSe noyer dans les yeux de Cassandre
Se noyer dans les yeux de Cassandre
 
De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...
De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...
De la collecte des données à l’exploitation de modèles -- Utilisation de SMAC...
 
L'intelligence artificielle au sein des entreprises wallonnes
L'intelligence artificielle au sein des entreprises wallonnesL'intelligence artificielle au sein des entreprises wallonnes
L'intelligence artificielle au sein des entreprises wallonnes
 
Intelligence artificielle : la situation dans les entreprises wallonnes
Intelligence artificielle : la situation dans les entreprises wallonnesIntelligence artificielle : la situation dans les entreprises wallonnes
Intelligence artificielle : la situation dans les entreprises wallonnes
 
Introduction au Machine Learning
Introduction au Machine LearningIntroduction au Machine Learning
Introduction au Machine Learning
 
Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...
Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...
Co-Evolving Code-Related and Database-related Changes in Data Intensive Softw...
 

Utilisation de l’IA dans le manufacturing - Retour d'expérience

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