Industrialfairs News

Nouvelles

Avec l'Artificial Intelligence of Things, les opérateurs ont les pleins pouvoirs

09-06-2022

 

 

 

 

Les méthodes d'automatisation industrielle typiques de l'ère numérique excellent dans la surveillance de ce qui se passe sur site et la mise en œuvre d'une logique prescrite pour effectuer une surveillance en temps réel. La plupart des mises en œuvre d'automatisations impliquent encore, dans une certaine mesure, des opérateurs humains, qui prennent bien souvent les décisions nécessaires. À ce sujet, je vous invite à lire l'article consacré à Beaulieu International, dans lequel Pol Deturck compare l'opérateur à un pilote. Mais le plus grand avantage – en termes de performances, d'efficacité et de qualité – apparaît lorsque le système d'automatisation informe efficacement les opérateurs, qui peuvent ainsi prendre des décisions permettant d'améliorer encore plus les performances.

 

Gartner définit ce type d''intelligence décisionnelle' comme 'un domaine pratique qui englobe un large éventail de techniques de prise de décision, rassemblant de multiples disciplines traditionnelles et plus modernes pour concevoir, modéliser, aligner, exécuter, contrôler et ajuster les modèles et processus décisionnels'.

 

 

Malheureusement, la plupart des systèmes d'automatisation utilisés aujourd'hui sont limités en termes d'intelligence décisionnelle. Toutefois, en combinant des aspects de l'intelligence artificielle (IA) moderne, des technologies de l'Internet industriel des objets (IIoT) et de l'intelligence humaine, il est possible de créer un cadre décisionnel numérique. En utilisant des architectures matérielles/logicielles innovantes et cette approche, une véritable intelligence décisionnelle peut être intégrée dans tous les types d'applications de fabrication et de traitement, permettant d'aboutir à une intelligence opérationnelle et de créer une intelligence artificielle des objets (AIoT).

 

Des hommes et des machines

Les gens sont très doués pour prendre de bonnes décisions sur la base de données limitées ou superficielles, même dans des circonstances qui évoluent rapidement. Cependant, sans l'aide de grands jeux de données qui sont rapidement traités, il est impossible de réagir rapidement. Et... malheureusement, les gens peuvent aussi prendre de mauvaises décisions sur la base de préjugés, d'émotions et d'interprétations erronées.

 

Quant aux systèmes informatiques traditionnels, ils peuvent suivre des règles de manière rigoureuse et être utilisés pour analyser d'énormes jeux de données, ce qui permet de dégager des modèles qui débouchent ensuite sur des connaissances. Mais bien qu'ils soient puissants, la plupart des systèmes informatiques traditionnels utilisés dans le cadre de l'automatisation se contentent de faire ce qu'on leur demande de faire.

 

L'intelligence artificielle (IA) serait-elle une meilleure solution ? Vous pourriez intégrer aux processus une IA basée sur des règles, des systèmes numériques typiquement utilisés pour résoudre des problèmes de logique. Pour élaborer ces règles (également appelées logique décisionnelle, algorithmes et procédures), les ingénieurs et les experts opérationnels doivent définir les exigences opérationnelles pour permettre aux programmeurs de créer le code correspondant. Malheureusement, les règles qui en résultent sont en général figées dans le temps lors de leur mise en service. Elles sont très souvent statiques et exigent du personnel spécialisé pour être améliorées ou développées. Là encore, nous n'avons pas affaire à une solution d'apprentissage automatique.

 

Une IA et un AA plus efficaces et plus dynamiques

L'IA moderne est beaucoup plus efficace que l'IA de base qui n'utilise que des systèmes permettant de résoudre des problèmes logiques. Bien sûr, la résolution de problèmes logiques et les arbres de décision font toujours partie de l'IA moderne. Mais au lieu d'être conçues exclusivement par des humains, les règles de l'IA moderne sont dynamiques, développées par l'apprentissage automatique (AA), qui permet de dégager des modèles et des règles dans d'énormes jeux de données afin de faciliter l'apprentissage par renforcement.

 

Si l'IA moderne peut être utilisée sur pratiquement tous les types d'ordinateurs, elle ne constitue pas pour autant une solution toute faite. Et pour les secteurs traditionnels qui utilisent l'automatisation industrielle, l'IA moderne n'a été jusqu'à présent que rarement et lentement appliquée.

 

Étant donné que les humains et les machines présentent tous deux des faiblesses et des forces, la question se pose de savoir comment l'IA moderne peut être appliquée le plus efficacement possible aux applications d'automatisation industrielle. La réponse réside dans la création de solutions d'IA qui incluent des outils permettant aux experts opérationnels de façonner la logique décisionnelle et de la déployer dans un environnement de production. Ce type d'intelligence opérationnelle permet à tous les types de systèmes de production de fonctionner de manière efficace et de s'adapter en permanence.

 

Mise en œuvre de l'intelligence opérationnelle

Une architecture plus sophistiquée est nécessaire pour maintenir le contrôle local en temps réel et l'intégrer à une infrastructure informatique à un niveau supérieur. Cette architecture permet de fusionner les sciences dures traditionnelles et l'expérience humaine avec l'IA et l'AA, appliqués sur le terrain et dans le cloud, pour obtenir l'AIoT (figure 1).

 

Figure 1 : L'intelligence artificielle des objets (AIoT) se situe à l'intersection des sciences et technologies traditionnelles et nouvelles, et permet d'aboutir à une meilleure symbiose entre l'intelligence humaine et l'IA.

 

Pour mettre en œuvre l'intelligence opérationnelle dans un environnement de production industrielle, il faut pouvoir répondre à un certain nombre d'exigences uniques, pour lesquelles il est important de distinguer deux niveaux de contrôle : le micro-contrôle (μ-contrôle) et le macro-contrôle.

 

Dans l'atelier, des μ-contrôleurs locaux, traditionnellement des API, sont nécessaires pour collecter les données et exercer un contrôle en temps réel. Toutefois, une puissance de traitement beaucoup plus importante – généralement hébergée sur un serveur sur site ou utilisant des ressources disponibles dans le cloud – est nécessaire pour exécuter les fonctions de macro-contrôle, comme l'analyse de toutes les données disponibles, la mise à disposition de systèmes de visualisation de pointe pour les opérateurs et l'exécution de règles d'IA. Les résultats de cette prise de décision assistée par ordinateur, sous la forme de meilleures valeurs de consigne et de règles d'IA améliorées, peuvent ensuite être transmis aux µ-contrôleurs, qui prennent des mesures sur site.

 

L'automatisation traditionnelle reposant sur des API, des IHM et des systèmes SCADA ne constitue qu'une solution partielle en matière d'intelligence décisionnelle. Ceux-ci fonctionnent au niveau du μ-contrôleur, présentent des données visuelles et permettent aux utilisateurs de modifier les valeurs de consigne. Cela transforme en fait les opérateurs humains en macro-contrôleurs.

 

Une meilleure approche consiste à créer une fonctionnalité AIoT moderne à partir de rien, ou à l'ajouter aux méthodes d'automatisation traditionnelles. Il s'agit sans aucun doute de la seule voie à suivre pour aboutir à une véritable intelligence opérationnelle.

 

Une application AIoT doit pouvoir évoluer

Une preuve de concept peut p. ex. être un système de contrôle des serres dans l'industrie agricole, mais les idées sont applicables à de nombreux autres types de systèmes de contrôle.

 

 

La performance optimale d'une serre se mesure en termes d'augmentation de la quantité et de la qualité produites, tout en réduisant au minimum la consommation d'énergie et d'autres ressources. Les serres sont un terrain d'essai très intéressant, qui fait intervenir à la fois la physique et la science. Il existe de nombreuses variables et fonctions de contrôle interdépendantes, telles que l'éclairage, le chauffage/la climatisation, le degré hygrométrique, l'irrigation, etc. Même la santé des plantes peut être évaluée, et certains systèmes permettent aussi d'ajuster l'espacement entre les plantes.

 

Les μ-contrôleur locaux, qui se présentent généralement sous la forme de systèmes Arduino ou Raspberry Pi conçus pour l'industrie, mais aussi d'API traditionnels, offrent un contrôle en temps réel, des E/S programmées et une connectivité de bus de terrain, ainsi que des facteurs de forme robustes.

 

Les μ-contrôleurs transmettent les données des capteurs du champ au programme d'IA du macro-contrôleur. Les agriculteurs humains fournissent également des données sur les cultures à l'IA, et cette dernière peut utiliser des sources telles que les prévisions météorologiques. Les modèles d'AA peuvent également inclure des informations détaillées en temps réel sur le poids des plantes, le taux de transpiration, le taux de photosynthèse, etc. Après une analyse détaillée, l'IA fournit à son tour des points de consigne et des stratégies optimales aux appareils à microcontrôleur, ainsi que des instructions relatives au traitement des cultures aux agriculteurs (figure 2).

 

Figure 2 : De nombreux µ-contrôleurs utilisés sur le terrain fonctionnent conjointement avec un macro-contrôleur doté d'une IA en vue de déterminer les réglages et les stratégies de contrôle permettant de garantir une production optimale.

 

Les tableaux de bord de données disponibles via le web et les applications mobiles sont des outils pratiques permettant aux utilisateurs d'interagir avec le système. L'IA peut détecter les anomalies, prendre en compte les prévisions climatiques locales, identifier les problèmes de parasites/maladies et prédire les caractéristiques des plantes – autant d'éléments qui contribuent à optimiser la culture autonome.

 

Le pouvoir aux opérateurs

Un autre exemple d'application de l'AIoT dans l'industrie peut être trouvé dans une grande installation de production de biomasse au Vietnam. À l'origine, ce système avait été conçu et construit avec une technologie API/IHM/SCADA traditionnelle, offrant ainsi des fonctionnalités de base. Mais les propriétaires de l'usine ont par la suite voulu trouver une meilleure solution, sans pour autant devoir se lancer dans des cycles de conception complexes et coûteux.

 

Pour commencer, ils ont utilisé les API pour fournir des données sources à un ordinateur exécutant un logiciel AIoT sur la périphérie. Avec les données obtenues grâce aux capteurs sur le terrain et à d'autres paramètres opérationnels, les opérateurs ont pu mieux visualiser le fonctionnement du processus et effectuer des analyses, parfois en utilisant des méthodes basées sur le cloud. Les opérateurs, qui travaillent quotidiennement avec l'équipement, sont ainsi en mesure de définir, mettre en œuvre et mettre à jour une logique de contrôle et des algorithmes améliorés pour optimiser les opérations.

 

L'un des outils qu'ils utilisent est un langage proche d'Excel, qui facilite le travail du personnel opérationnel par rapport aux langages industriels traditionnels tels que Ladder (figure 3). Ce langage low-code est particulièrement expressif et permet de développer des stratégies allant de la plus simple à la plus sophistiquée. Ils peuvent utiliser tous les types de signaux et d'informations, y compris les résultats d'autres modèles d'apprentissage automatique de type 'black box'.

 

Figure 3 : Cette capture d'écran d'une configuration low-code pour un séchoir est un exemple très simple de la manière dont le logiciel AIoT Koidra ajoute une couche supplémentaire d'automatisation par-dessus l'API existant en automatisant la valeur de consigne de la température de sortie du séchoir. Les opérateurs d'Ayo Biomass ne doivent ainsi plus modifier manuellement ces paramètres, car ils ont mis leurs compétences au service de l'automatisation.

 

L'équipe a retiré une grande partie de l'automatisation des API et l'a déplacée vers des contrôleurs de périphérie où la nouvelle logique et les règles AIoT peuvent être facilement mises en œuvre. L'AIoT permet à l'équipe chargée des opérations de gérer et de développer la fonctionnalité des processus. Au fur et à mesure qu'ils en apprennent davantage, ils peuvent continuer à ajuster la fonctionnalité du processus, ou parfois même revenir à une approche antérieure.

 

Avantages de la prise de décision assistée par ordinateur

 

Les concepts AIoT remettent en question les pratiques traditionnelles d'automatisation industrielle en établissant une meilleure symbiose entre l'intelligence humaine et l'IA. Les techniques classiques de prise de décision assistée par ordinateur sont bien comprises et peuvent aboutir à des résultats fiables, mais elles sont relativement statiques et leur création, leur entretien et leur mise à jour nécessitent un personnel spécialisé. Les techniques modernes d'AIoT sont souvent la meilleure méthode pour fournir une intelligence opérationnelle complète en associant les meilleures capacités de l'homme et de la technologie.

Actualités connexes

Ce site web utilise des cookies pour vous offrir une meilleure expérience lorsque vous visitez ce site. En savoir plus sur les cookies