44 : Industrie du futur : l’UTC aux côtés des entreprises
La transformation numérique de l’industrie constitue un défi sociétal majeur. Pour l’UTC, qui accompagne un nombre croissant d’entreprises dans cette mutation, il s’agit d’un champ d’investigation de plus en plus stratégique. Zoom sur ses principaux axes de travail et les spécificités de son approche de l’industrie du futur.
Entre le déploiement massif du numérique dans l’ingénierie, la production, mais aussi dans les produits eux-mêmes avec l’Internet des objets, et l’arrivée de technologies de rupture comme la fabrication additive (l’impression 3D), c’est une véritable révolution industrielle qui se profile.
A la clé, une industrie plus connectée, plus compétitive, plus agile, capable d’innover plus vite, de produire mieux et à moindre coût – y compris de très petites séries, voire du sur-mesure –, plus économe en matières premières, en énergie…
Autant d’enjeux décisifs pour les entreprises et, plus largement, pour les pays développés. Industrie du futur en France, Industrie 4.0 en Allemagne, Smart Manufacturing aux États-Unis, Made in China 2025 en Chine… Beaucoup se sont ainsi dotés d’une stratégie nationale pour accélérer cette mutation, dont la finalité dépend des réalités locales. En France, par exemple, il s’agit d’engager le renouveau industriel du territoire et d’enrayer les délocalisations, tandis qu’outre-Rhin, l’Industrie 4.0 vise à préserver le leadership des entreprises allemandes (lire page 15).
Stratégique, ces enjeux le sont également pour l’UTC. Ses chercheurs travaillent en particulier sur deux piliers de cette industrie de demain, dont les données seront un actif clé. D’une part, la continuité des flux d’information dans l’ingénierie et la production. De l’autre, le traitement des données collectées grâce aux technologies d’intelligence artificielle, afin de les transformer en connaissances permettant d’optimiser la conception des produits et des procédés de fabrication, la qualité de la production et la maintenance prédictive de l’outil industriel. Mais ils ont également lancé des recherches sur les alliages métalliques pour la fabrication additive.
L’atout de la pluridisciplinarité
« Ce qui fait notre originalité sur ces sujets, c’est d’abord notre approche systémique, souligne Benoît Eynard, chercheur au laboratoire Roberval. L’UTC se positionne moins comme développeur de technologies spécifiques (de robotisation, de traitement des données…) que comme intégrateur : comment faire coexister les différentes briques à mettre en œuvre dans le système industriel du futur ? Face aux problématiques complexes que soulève cette question, elle a l’avantage d’être pluridisciplinaire, ce qui lui permet d’avoir une démarche holistique. » Elle peut en effet mobiliser ses compétences en génie mécanique, en génie des procédés, en sciences et technologies de l’information et de la communication, mais aussi en sciences humaines et sociales. Et, grâce à cette dimension pluriculturelle, aborder l’industrie du futur en intégrant à la fois ses aspects technologiques et sociaux, en pensant les systèmes
« avec l’humain » et non « malgré l’humain ».
« Nous partageons totalement la vision française de l’industrie du futur, qui n’est pas celle d’une usine entièrement robotisée, explique Jérôme Favergeon, directeur du laboratoire Roberval. Il s’agit certes d’automatiser toutes les tâches répétitives, mais les hommes resteront au cœur du processus pour toutes les tâches à valeur ajoutée. C’est pourquoi une équipe du laboratoire travaille avant tout sur des méthodologies et des outils d’aide à la décision destinés à leur faciliter la tâche.»
Enfin, la spécificité de l’UTC, c’est de mener ses recherches sur l’industrie du futur en partenariat avec de grands groupes et des PME, ce qui lui permet de proposer des solutions plus pertinentes et de les porter à un niveau de maturité plus élevé qu’elle ne pourrait le faire seule. Pour mieux cultiver cette approche très fertile, elle projette d’ailleurs de créer un open lab : un laboratoire associant ses forces et celles d’industriels, dans une logique d’innovation ouverte et collaborative.
Questions à Charles Lenay, chercheur à Costech (Connaissance organisation et systèmes techniques), le laboratoire de recherche technologique en sciences humaines et sociales de l’UTC.
Comment voyez-vous l’industrie du futur et la place qu’y occuperont les hommes ?
L’erreur serait de confondre substitution et suppléance. Lorsqu’on introduit de nouveaux outils numériques, des robots, on imagine souvent qu’ils se substitueront à l’humain. La réalité – avérée dans toute l’histoire des techniques – est qu’un outil ne remplace jamais rien : il ajoute et transforme le champ des possibles. Les machines qu’on pense « intelligentes » ne nous remplacent pas. En revanche, elles modifient notre façon de percevoir, de raisonner, de nous organiser, d’interagir les uns avec les autres…
Ensuite, on décrit souvent l’industrie du futur comme modulable, agile, résiliente face aux évolutions de son environnement, à l’instar du vivant. Personnellement, je crois qu’il faut moins la penser comme un organisme isolé qui s’adapterait à son milieu que comme un mycélium : ce réseau de filaments qui courent sous terre pour donner çà et là naissance à des champignons. Notre façon d’être humain est de fonctionner en réseau. Or les techniques numériques vont permettre à l’industrie de s’organiser de façon plus distribuée dans l’espace. Les grandes usines, lieux de concentration de compétences et d’opérations, pourraient céder la place à des réseaux de sites. Mais, là encore, il serait absurde de penser ces usines distribuées sans hommes, car ce sont eux qui resteront porteurs du sens de l’activité et feront fonctionner le réseau.
Que peut apporter Costech aux industriels dans leur réflexion sur ces sujets ?
Costech étudie comment les techniques, et en particulier le numérique, modifient les activités humaines et l’expérience vécue par les individus. Nous pouvons donc aider les industriels à monter en abstraction pour comprendre ce qui se joue à travers la transformation numérique de leur entreprise et repenser le rôle de leurs collaborateurs face à des automates qui ne vont pas les remplacer, mais transformeront leurs activités.
La continuité numérique de l’information est un des paradigmes clés de l’industrie plus agile et plus productive de demain. C’est un des axes de recherche du laboratoire Roberval. Explications et illustrations.
Développer des produits plus intelligents, connectés, personnalisés, moins énergivores, plus faciles à fabriquer, à maintenir, à recycler… autrement dit, de plus en plus complexes, tout en réduisant leurs délais de mise sur le marché, mais aussi leurs coûts de conception, d’industrialisation et de production. Pour relever ces défis, les industriels doivent en finir avec le travail en silos : mieux intégrer et capitaliser les expertises – et donc les données – des différents métiers, afin qu’ils puissent facilement accéder à toutes les informations nécessaires pour gagner en efficacité, réutiliser au maximum l’existant lors des nouveaux développements, faire les bonnes pièces du premier coup, piloter la production de façon plus agile…
C’est tout l’enjeu de la continuité numérique, qui désigne la capacité à disposer de l’ensemble des informations numériques sur un produit ou un système tout au long de son cycle de vie. Tout le défi aussi, car il s’agit d’intégrer des données provenant de sources très diverses, et donc de formats fortement hétérogènes : fichiers de CAO en 3D, de FAO, plans, documentation technique, fichiers Excel…
Bientôt, une équipe spécifique
Pour gérer ces données et faciliter leur partage entre métiers, les industriels disposent certes d’outils de gestion du cycle de vie des produits ou Product Lifecycle Management (PLM) : systèmes de Product Data Management (PDM) pour les données de conception, de Manufacturing Process Management (MPM) pour les données d’industrialisation (gammes de fabrication, etc.) et d’Enterprise Resource Planning (ERP) pour les données relatives de production (nomenclatures des produits, ordres de fabrication…). Mais ces systèmes d’information, scientifiquement conçus dans les années 1990, n’autorisent pas des échanges d’une granularité suffisante au regard des nouveaux enjeux de l’industrie.
Une des équipes du laboratoire Roberval conçoit des briques pour améliorer cette granularité et fluidifier les échanges entre métiers. Pour l’instant, ses recherches portent principalement sur la continuité numérique de l’information dans la conception produit-process et entre l’ingénierie et la production. Mais son périmètre d’investigation est appelé à s’élargir. Qu’il s’agisse de développer des outils d’aide à la décision permettant d’optimiser le pilotage du process de production, la maintenance des machines et la qualité des produits fabriqués, ou de produire des pièces métalliques en fabrication additive : toutes les thématiques de l’industrie du futur sur lesquelles travaille l’UTC supposent d’intégrer des flux de données hétérogènes. La continuité numérique est véritablement la clé de voûte de l’industrie plus agile et plus productive de demain. Et, dès 2018, Roberval y dédiera une équipe spécifique.
En 2013, dans le cadre d’un programme de l’Agence nationale de la recherche (ANR), Roberval a créé un Laboratoire commun (LabCom) consacré à la continuité numérique avec DeltaCAD, société de services et d’édition de logiciels spécialisée dans la gestion du cycle de vie des produits, la CAO et la simulation numérique.
Dimexp (Digital Mock-up for Multi-Expertises Integration), le LabCom de Roberval et DeltaCAD, s’est fixé deux champs d’investigation. Premier d’entre eux : la continuité de l’information entre un produit réel et son double virtuel. L’équipe développe un ensemble d’algorithmes destinés à identifier un objet physique, avec à la clé diverses applications possibles.
« Parmi celles-ci, le contrôle des produits sur une ligne de fabrication, explique Alexandre Durupt, chercheur à Roberval et coordinateur scientifique du LabCom. Par exemple, sur une chaîne d’assemblage de moteurs, l’opérateur filmerait chaque moteur avec une tablette : le système compterait automatiquement le nombre de fixations posées et vérifierait en temps réel s’il correspond à la nomenclature figurant dans la maquette numérique du produit. Mais cet outil pourrait aussi faciliter le reverse engineering : aider à reconstituer la maquette numérique d’un produit à durée de vie très longue – par exemple, une machine industrielle ou un moteur trop ancien pour avoir été conçu en CAO et qu’il s’agit de faire évoluer. »
Un jumeau numérique
Avec ce projet, Dimexp innove doublement. D’abord parce que son démonstrateur permet de remonter du réel au virtuel, alors qu’aujourd’hui les flux numériques sont avant tout descendants : on conçoit, on valide et on industrialise les produits virtuellement pour les fabriquer, mais la chaîne numérique s’arrête là. « Nous nous inscrivons dans un des paradigmes de l’industrie du futur, note Alexandre Durupt : le concept de jumeau numérique d’un objet réel, dont il n’existe pas encore de définition normée, mais qui, pour nous, signifie un système intégré de données, de modèles et d’outils permettant de tracer un produit durant tout son cycle de vie et de transformer les données en informations utilisables pour l’aide au diagnostic et la prise de décision agile. »
Ensuite, pour concevoir cet outil, les chercheurs ont notamment développé un réseau de neurones profond : un algorithme auquel ils ont appris à reconnaître différentes pièces de moteurs thermiques et qui a pour spécificité de traiter des données hétérogènes. Il peut reconnaître un objet à partir d’une image 2D, mais aussi – et c’est inédit – de représentations 3D (CAO ou fichier de numérisation de la pièce).
Tracer les échanges entre métiers
Seconde thématique de recherche de Dimexp : la collaboration multidisciplinaire entre acteurs de l’ingénierie. Le LabCom travaille sur une « to do list » collaborative : un outil destiné à gérer des listes d’actions collaboratives à réaliser lors d’un projet d’ingénierie. Objectif ? Faciliter les échanges entre les différents métiers et surtout les tracer afin, là encore, d’améliorer la continuité numérique. « Aujourd’hui, les systèmes de PLM permettent de suivre l’historique des modifications réalisées dans les documents représentant un produit et son process de fabrication, mais pas de savoir pourquoi elles ont été faites, dans quel cadre ou qui les a demandées, explique Matthieu Bricogne, chercheur à Roberval. L’idée, avec cette “to do list” collaborative, est de pouvoir retracer a posteriori les raisons des choix qui ont été faits et de capitaliser ces informations pour les projets suivants, dans une logique d’amélioration continue. »
Autre avantage : tracer les échanges permet de disposer d’indicateurs objectifs sur la collaboration opérationnelle, ce qui ouvre la voie à un pilotage plus agile des projets. Pour mieux exploiter cette possibilité, on peut bâtir un panel d’indicateurs représentatifs des échanges entre experts métiers au cours d’un projet d’ingénierie, ce qui, grâce aux techniques d’analyse automatique de données, permettra de développer des outils d’aide à la décision pour manager plus efficacement l’ingénierie collaborative.
« Dimexp nous permet d’être en avance de phase »
Questions à Harvey Rowson, chef de projet chez DeltaCAD
Pour DeltaCAD, quel est l’intérêt d’un laboratoire commun avec Roberval ?
Les chercheurs de Roberval nous apportent leur expertise scientifique et technologique, leur capacité à réaliser un état de l’art international sur une problématique. Pour nous, c’est une vraie valeur ajoutée. Une manière de mieux anticiper les évolutions du marché, car lorsqu’un nouveau verrou émerge dans la littérature scientifique, il préfigure généralement un besoin industriel. Et, surtout, un moyen de creuser des pistes plus novatrices et pertinentes que celles vers lesquelles nous nous serions intuitivement tournés. Dimexp nous permet d’être en avance de phase sur des sujets émergents au cœur des enjeux de l’industrie du futur.
Comment allez-vous valoriser ces recherches ?
Dimexp a vocation à faire la preuve de concepts, avec des démonstrateurs de laboratoire dont le TRL (le niveau de maturité par rapport à la mise sur le marché) demeure relativement bas. Pour les porter à un niveau de TRL plus élevé, développer de vrais démonstrateurs industriels, l’objectif est de nouer des partenariats avec des industriels intéressés par ces concepts.
Optimiser la chaîne numérique d’industrialisation d’une pièce à usiner pour mieux capitaliser les données, les expertises métiers, et gagner en efficacité. C’est l’enjeu des travaux menés par Roberval dans le cadre de deux projets multipartenaires successifs et soutenus par un fonds unique interministériel (FUI) : Angel et Lucid.
Si chaque maillon de la chaîne d’industrialisation d’une pièce à usiner fait appel à des logiciels spécifiques et donc à des modèles de données différents, il existe des formats standard d’échange de l’un à l’autre. Le fichier de CAO est exploité par un logiciel de FAO permettant de modéliser les trajectoires des outils coupants sur la représentation 3D de la pièce. Et le fichier de FAO est exporté via un autre standard dans un post-processeur servant à générer un programme en code ISO exécutable sur la machine-outil à commande numérique.
Néanmoins, cette chaîne reste complexe et surtout, la continuité numérique est unidirectionnelle – de la CAO vers la machine-outil. Si, en production, il faut ajuster certains paramètres d’usinage directement sur la machine, l’information ne remonte pas automatiquement vers les programmeurs FAO : les experts métiers qui, à partir de la CAO, élaborent la stratégie d’usinage d’une pièce (choix des outils, définition de leurs trajectoires…) et le programme de la machine-outil. La connaissance issue de la fabrication n’est donc pas forcément capitalisée pour être réutilisée lors de projets ultérieurs et faciliter l’obtention d’une pièce bonne du premier coup.
Une continuité bidirectionnelle
Ces problématiques ont fait l’objet d’un premier projet FUI, achevé en 2014 : Angel (atelier numérique cognitif interopérable et agile)*. Pour fluidifier la chaîne numérique, Roberval a travaillé à la consolidation du standard d’échanges de données, STEP-NC, afin de faciliter sa transposition industrielle, précise Julien Le Duigou. Avantage : ce standard est utilisable à chaque interface de la chaîne et supprime même une étape, celle du post-processeur. Dans le futur le fichier de FAO pourrait ainsi être directement interprétable par la machine d’usinage. Mais, en outre, STEP-NC permet un retour d’informations du programme exécuté par la machine vers la FAO. La continuité numérique est donc bidirectionnelle.
Des aides à la décision
Prochaine étape ? Créer un outil d’assistance à l’élaboration de programmes d’usinage : un système capable d’analyser la géométrie d’un modèle de CAO et, à partir des pièces comparables déjà usinées par un industriel, de proposer automatiquement les meilleures stratégies d’usinage pour fabriquer la nouvelle pièce. C’est l’objectif d’un nouveau projet FUI, lancé en octobre 2016 : Lucid (laboratoire d’usinage par caractérisation intelligente des données)**. « Pour développer cet outil d’aide à la décision, nous devons reconstituer et capitaliser les stratégies d’usinage mises en œuvre pour chaque type de pièces usinées, explique Alexandre Durupt. C’est un des principaux verrous du projet, car cela suppose d’analyser des données d’ingénierie très hétérogènes (les codes ISO d’exécution machine, les fichiers de FAO, de CAO…) pour identifier des patterns (des modèles) constituant les noyaux d’une stratégie d’usinage. » Un exercice d’autant plus complexe qu’il peut y avoir différentes manières de faire pour une même forme à usiner.
* : Angel associait l’UTC, l’ENS Paris-Saclay, Safran, Airbus, UF1, Spring Technologies, CADLM, Datakit.
** : Lucid associe l’UTC, l’ENS Paris-Saclay, l’ESILV, Safran, UF1, Ventana Taverny et Spring Technologies.
Une continuité numérique dans le temps
Questions à Philippe Audinet, responsable développement & support — filière FAO chez le constructeur de moteurs d’avions Safran Aircraft Engines, partenaire des projets Angel et Lucid.
Quel est pour vous le principal acquis d’Angel ?
La consolidation du standard STEP-NC. C’est d’autant plus important dans un secteur comme l’aéronautique car nos produits ont une durée de vie de trente, quarante, voire cinquante ans. Autrement dit, plus longue que celle des outils informatiques utilisés pour les industrialiser, des machines d’usinage, mais aussi plus longue que la carrière des programmeurs FAO. Ceci nous impose d’avoir des modèles de données stables et standardisés dans le temps. Avec un standard unique pour toute la chaîne, les liens entre les différents maillons seront plus pérennes.
Quels sont les enjeux de Lucid pour Safran Aircraft Engines ?
Dans le processus d’industrialisation des pièces d’un moteur d’avion, la valeur ajoutée humaine est capitale. Les programmeurs doivent intégrer énormément de paramètres pour parvenir à usiner correctement les pièces et réussir la transition entre la pièce numérique et la pièce physique. Une transition délicate, parce que nous travaillons sur des matériaux complexes à usiner, comme le titane, qui entraînent des problématiques de vibrations, de température, de flexion d’outils, de pièces… De ce fait, il y a toujours des différences entre la théorie et ce que fait réellement une machine, et il faut plusieurs allers-retours entre la FAO et la fabrication avant de produire la bonne pièce. D’où l’intérêt d’exploiter le capital acquis, l’historique de nos programmes d’usinage, pour guider les programmeurs. Là aussi, il s’agit de continuité numérique de l’information dans le temps. Ainsi, capitaliser notre savoir est un moyen d’aider les jeunes programmeurs à se l’approprier.
L’UTC dispose d’un atout précieux pour mener des recherches sur les applications industrielles de l’analyse automatique de données : sa pluridisciplinarité. Parmi ses projets : concevoir des outils d’aide à la décision pour optimiser le pilotage du process de fabrication et de la qualité des produits.
Les lignes de production sont et seront de plus en plus instrumentées de capteurs enregistrant quantités de paramètres sur le process et les produits fabriqués. Avec l’Internet des objets, les produits eux-mêmes transmettront de plus en plus de données – sur leurs usages, leur niveau d’usure, etc. Grâce à l’augmentation des capacités de stockage et de traitement de l’information, les industriels espèrent tirer de ces données des connaissances nouvelles et des plus-values significatives : améliorer la conception des produits en exploitant les informations recueillies sur leur comportement en conditions réelles d’utilisation, réduire le nombre de rebuts en production… C’est l’enjeu de l’analyse automatique de données, thématique sur laquelle l’UTC réunit des compétences complémentaires.
Faire parler les données
Heudiasyc, son laboratoire en sciences de l’information et de la communication, dispose d’une forte expertise sur les techniques de data analytics, qui mêlent méthodes statistiques, machine learning (algorithmes d’apprentissage automatique) et intelligence artificielle. « Ces techniques visent à mettre en évidence des régularités dans un jeu de données – dans un premier temps, dans un but purement descriptif, explique Sébastien Destercke, chercheur à Heudiasyc : par exemple, pour tenter d’expliquer la cause d’un défaut de fabrication sur des produits en analysant a posteriori les variables qui évoluent lorsqu’il survient.
Ces régularités peuvent confirmer des corrélations entre paramètres que les experts métiers de l’entreprise avaient déjà pressenties ou bien révéler des liens qu’ils n’avaient pas détectés, particulièrement quand un défaut résulte de la combinaison de nombreuses variables d’entrée. A partir de là, il s’agit ensuite de bâtir des modèles prédictifs : sous l’hypothèse que le passé ressemble au futur, ce qui est probable dans un process de fabrication relativement stable, alors le modèle prédira la sortie plausible d’une entrée observée. L’idée étant notamment d’utiliser ces algorithmes prédictifs en cours de production pour anticiper en temps réel un risque de défaut sur le produit.
Enfin, ces modèles peuvent aussi être prescriptifs : suggérer des actions pour corriger un défaut ou pour améliorer un produit. Dans certains cas, on peut même imaginer aller plus loin : automatiser la mise en œuvre de la décision, comme on cherche à le faire pour le véhicule autonome. Mais remplacer l’expertise humaine dans l’industrie de pointe reste extrêmement difficile, même avec les méthodes les plus récentes, et l’objectif est le plus souvent de fournir des aides à la décision aux opérateurs pour les assister dans les tâches complexes. »
Une méthode inédite de pilotage de la qualité
De son côté, le laboratoire Roberval, qui conjugue des expertises en maîtrise des procédés et mathématiques appliquées, développe d’ores et déjà de tels outils pour optimiser le pilotage du process de fabrication et la maîtrise de la qualité des produits. Il a par exemple conçu une méthode inédite combinant techniques de SPC (Statistic Process Control ou, en français, maîtrise statistique des procédés) multivarié (intégrant plusieurs variables) et de diagnostic du process. « La SPC sert à détecter des dérives dans les caractéristiques critiques pour la conformité des produits, afin de prévenir les productions défectueuses, explique Nassim Boudaoud, chercheur à Roberval.
C’est une méthode très utilisée dans l’industrie, mais, généralement, dans sa forme la plus simple, c’est-à-dire pour suivre les différentes caractéristiques du produit indépendamment les unes des autres. Or il existe souvent des corrélations entre elles. Par exemple, sur l’ensemble des points de contrôle des tolérances d’assemblage d’une porte de voiture, une caractéristique peut se révéler défectueuse sans pour autant nuire à la qualité globale de l’assemblage, car il y a des compensations géométriques. » Reste qu’à la main, il n’est guère possible d’établir des règles de décision fondées sur le suivi simultané de plusieurs caractéristiques. Grâce au data analytics, les outils sur lesquels travaille le laboratoire le permettent. Mais, en outre, et c’est la véritable innovation, ils croisent données sur le produit et sur le process. « Cette approche hybride vise à mieux détecter une dérive et pronostiquer son évolution, souligne Nassim Boudaoud.
Concrètement, grâce à l’analyse d’historiques de données, nous faisons le lien entre les caractéristiques du produit et les états du process, ce qui permet de dire si, à l’instant T, le fonctionnement du process est parfaitement normal ou pas. Et, s’il ne l’est pas, de prévoir sa trajectoire d’évolution pour anticiper un état futur qui va générer des produits défectueux. »
Désormais, l’objectif de l’UTC est de pousser plus loin ces travaux en éprouvant les outils déjà développés sur les données réelles d’industriels et en démontrant leur capacité à améliorer la performance opérationnelle.
Plastic Omnium va engager des recherches sur l’analyse automatique de données avec les laboratoires Roberval et Heudiasyc. Objectif : franchir un nouveau cap dans la maîtrise de ses procédés.
Premier fournisseur mondial de systèmes à carburant en plastique (réservoirs, pompes…) et de systèmes de dépollution pour les véhicules particuliers, la division Auto Inergy de Plastic Omnium compte 35 usines dans 19 pays, dont une à Venette, dans l’Oise, où se situe aussi son centre de R&D mondial. Deux sites proches de l’UTC, avec laquelle l’industriel vient de nouer un partenariat autour de l’analyse automatique des données de production. « Pour nous, c’est l’enjeu clé de l’industrie du futur, observe Philippe Convain, directeur Digital Manufacturing de la division. Aujourd’hui, nous sommes parvenus à un plateau de performance dans la maîtrise de nos procédés. En exploitant mieux nos données, nous devrions le franchir : diminuer nos coûts de fabrication, voire, à terme, gagner en flexibilité, en capacité à changer rapidement de production. »
Moins de rebuts et de stress
Dans ses usines, Auto Inergy collecte d’ores et déjà des masses considérables d’informations. Des données sur le process de fabrication : lors du soufflage d’un réservoir, par exemple, quelque 5 000 paramètres (températures, pressions, etc.) sont enregistrés… à multiplier par les 20 millions de réservoirs fabriqués chaque année par le groupe ! Mais aussi des données sur les produits fabriqués (diamètre, longueur, étanchéité…) et le contexte de la production (température dans l’atelier, etc.). « Cette traçabilité sur la production est très utile pour expliquer a posteriori les raisons d’une dérive dans la qualité des produits, note Philippe Convain. Mais l’analyse automatique de données devrait nous permettre d’aller beaucoup plus loin, et d’abord d’enrichir nos connaissances sur le process. Aujourd’hui, par exemple, nous contrôlons les épaisseurs des réservoirs fabriqués. Sans outils de data analytics, il est exclu de croiser ces mesures avec les 5 000 données enregistrées lors du soufflage de la pièce pour en déduire des lois sur les liens entre paramètres du process et caractéristiques du produit. Si nous parvenons à passer ce cap, nous découvrirons sans doute des liens insoupçonnés ; ou que nous pressentions, mais dont nous pourrons quantifier l’impact exact. Et, surtout, nous pourrons passer du simple reporting à la prévision des dérives : sur un procédé qui dure une minute, même s’il faut deux ou trois secondes de calcul pour anticiper un problème, nous aurons le temps de réagir pour éviter un rebut. Nous devrions donc réduire les rebuts de façon très significative. »
Autre enjeu : faciliter la tâche des opérateurs de production. Sur les procédés complexes comme le soufflage des réservoirs, les machines peuvent émettre des centaines d’alarmes différentes qu’il faut savoir interpréter pour prendre les bonnes décisions. Une compétence qui demande des années d’expérience. « S’ils disposent d’outils capables de les guider sur les actions correctives à mettre en œuvre en cas de dérive, les opérateurs devraient acquérir ce savoir plus facilement, juge Philippe Convain. De plus, le pilotage du process sera moins stressant, ce qui leur permettra de se focaliser davantage sur l’amélioration de la productivité des procédés. »
Un appui multidisciplinaire
Pour mieux accompagner Plastic Omnium face à ces défis, l’UTC couplera les expertises de Roberval et d’Heudiasyc. Nassim Boudaoud, le chercheur qui pilotera le projet côté Roberval, a réalisé un doctorat en contrôle des systèmes à Heudiasyc et apportera à l’industriel sa double culture en maîtrise des procédés et en analyse de données. Heudiasyc viendra en appui sur les problématiques de diagnostic et le développement des modèles prédictifs et prescriptifs.
Dans un premier temps, cette collaboration avec Plastic Omnium va se concrétiser par le recrutement d’un doctorant, qui rejoindra le plateau projet mis en place par l’industriel dans son usine de Venette. « Nos procédés sont complexes et il peut exister des centaines de causes de rebuts, explique Philippe Convain. Il s’agira donc d’abord de faire la preuve du concept sur quelques défauts en expérimentant un démonstrateur dans cette usine. Ensuite, peu à peu, nous étendrons le périmètre à d’autres défauts. Et nous testerons ces techniques prédictives dans d’autres sites pilotes, avant de les déployer dans toutes nos usines. »
Le futur de l’industrie, c’est aussi le développement de la maintenance prédictive des lignes de production. Le laboratoire Roberval travaille sur une méthodologie innovante pour mieux détecter les signaux avant-coureurs des risques de défaillances des machines.
Aujourd’hui, pour éviter autant que possible les défaillances de leur outil industriel et les coûteux arrêts de production non planifiés, les entreprises pratiquent une maintenance préventive, qui peut être systématique, à des moments prédéfinis, ou conditionnelle. Dans ce dernier cas, les actions de maintenance sont généralement déclenchées en fonction d’indicateurs tels que le dépassement d’un seuil d’usure.
Mais pour mieux anticiper les risques de défaillance et limiter les opérations de maintenance au juste nécessaire, l’idéal est de collecter en continu des données sur l’état du système à maintenir afin d’établir une projection de son évolution dans le futur. C’est le principe de la maintenance prédictive : prévoir à quelle échéance une défaillance peut survenir.
Faire le lien entre produit, process et maintenance
Plus complexe à mettre en œuvre, cette démarche proactive demeure rare dans l’industrie. Mais la multiplication des données récoltées sur les lignes de production et les techniques d’analyse automatique des données devraient lui donner un coup d’accélérateur. Fort de ce constat, le laboratoire Roberval a engagé des recherches sur une méthodologie originale ouvrant la voie à des prévisions encore plus fines et fiables. « Aujourd’hui, dans les usines, la politique de maintenance des machines est déconnectée du pilotage du process et de la qualité du produit, explique Zohra Cherfi, chercheuse à Roberval. Or la maintenance de la ligne de production détermine la qualité du process et donc, en partie, celle du produit. Nous n’en sommes encore qu’au début, mais notre objectif est d’identifier les signaux qui, dans le comportement du process et la qualité du produit, peuvent alerter sur les risques de défaillance des machines. Autrement dit, de capter l’information sur le produit et le process et d’en faire un outil décisionnel pour optimiser la politique de maintenance. »
« C’est une approche nouvelle, souligne Amélie Ponchet-Durupt, également chercheuse à Roberval. La problématique du lien entre process, produit et maintenance est certes très présente dans la littérature scientifique, mais avant tout dans un contexte de maintenance systématique, et non pour établir des règles de décision exploitant ces trois paramètres afin de prendre la bonne décision de maintenance au bon moment, et de façon relativement automatique. »
Roberval va engager deux projets de recherche avec des industriels sur cette thématique novatrice.
L’UTC va accompagner Saint-Gobain Sekurit dans la mise en place d’outils de maintenance prédictive exploitant l’analyse automatique des données sur la qualité des produits et l’état de fonctionnement des process.
L’UTC et Saint-Gobain viennent de signer un accord de partenariat comprenant plusieurs volets, dont l’un sur l’industrie du futur. Dans ce domaine, il s’agit notamment d’engager des recherches sur la maintenance prédictive avec Saint-Gobain Sekurit, acteur majeur du vitrage automobile. « Nous comptons une trentaine d’usines dans le monde, qui travaillent pour un marché très exigeant et compétitif, souligne Jean-Luc Lesage, directeur des opérations de Saint-Gobain Sekurit et directeur général de sa branche Europe. Cela signifie qu’il est essentiel de bien maîtriser nos procédés : la qualité de nos produits, la fiabilité de nos livraisons, mais aussi les taux de pannes et les coûts de maintenance de nos machines. »
Passer à la vitesse supérieure
A cette fin, l’industriel recourt depuis longtemps à la maintenance préventive. Il a également mis en place des méthodes de maintenance prédictive, pour l’instant limitées à quelques équipements sans incidence directe sur le cœur de son procédé de fabrication des vitrages, tels les transformateurs. Son objectif : passer à la vitesse supérieure en exploitant les données remontant de ses usines grâce aux outils de connectique peu à peu déployés sur ses lignes de fabrication.
« Le data analytics va nous permettre de chercher des corrélations très fines et à ce jour inconnues entre les résultats des contrôles de qualité effectués sur nos vitrages, les paramètres de process (températures, pressions, etc.) et les données d’intervention sur les machines, explique Jean-Luc Lesage. En croisant toutes ces informations, nous espérons gagner sur la fréquence et l’importance des opérations de maintenance, mais pas seulement. Les connaissances issues de l’analyse de données devraient aussi nous permettre d’améliorer la conception et donc la robustesse de nos procédés. »
L’excellence des deux côtés du Rhin
Depuis deux ans, l’industriel a déjà réalisé quelques études et pilotes sur la maintenance prédictive de certains équipements avec un de ses partenaires académiques historiques : l’Université de technique de Rhénanie-Westphalie (RWTH), à Aix-la-Chapelle (Allemagne). La collaboration avec l’UTC portera sur d’autres process. « Ce qui nous intéresse, c’est l’expertise de l’UTC en maîtrise des procédés et en analyse de données, mais aussi sa signature, note Jean-Luc Lesage. Une université française ne traite pas les problèmes de la même façon qu’une université allemande.
Travailler avec des partenaires qui ont des cultures, des visions et des expériences différentes permet d’élargir notre spectre de compétences et d’avancer plus efficacement. » En outre, tout comme la RWTH outre-Rhin, l’UTC se situe à proximité d’une usine Saint-Gobain Sekurit et d’un site de R&D de Saint-Gobain, le Centre de recherche et de développement de Chantereine (CRDC). « Les chercheurs de l’UTC vont coopérer avec les équipes du CRDC, en se nourrissant de l’expérience de l’usine de Chantereine et de ses données sur les pannes de ses machines, poursuit Jean-Luc Lesage. C’est tout l’intérêt de ce triptyque, qui, nous l’espérons, débouchera sur des avancées concrètes pour nos usines. » « Le cœur de la technologie Saint-Gobain Sekurit étant franco-allemand, il s’agit d’aller chercher l’excellence des deux côtés du Rhin, résume Sylvie Perez, directrice du CRDC. Et pour nous, CRDC, il est particulièrement intéressant de pouvoir travailler avec l’UTC dans ses domaines d’excellence. »
C’est une rupture technologique et un nouveau champ de recherche pour l’UTC. Initialement destinée au prototypage et désormais utilisée pour la production de pièces finales en polymères, la fabrication additive intéresse à présent les industriels pour la réalisation de produits finis en alliages métalliques. À condition de lever plusieurs verrous.
Réaliser une pièce directement à partir d’un modèle numérique 3D, par ajouts successifs de couches de matière. C’est le principe de la fabrication additive, qui, à terme, pourrait révolutionner la production de pièces en alliages métalliques. Pour l’instant, la faible productivité des machines exclut certes la très grande série. De même, en raison du prix élevé des machines et de la matière première aujourd’hui privilégiée, les poudres métalliques, ce procédé n’a pas forcément d’intérêt pour les pièces simples. En revanche, il apparaît très prometteur pour fabriquer des produits en petite série, particulièrement s’ils sont complexes, ou pour réaliser des pièces de rechange à la demande, ce qui évite d’avoir à les stocker.
En effet, avec cette technique, le coût de production d’une pièce est beaucoup moins lié à sa complexité et aux quantités produites qu’en usinage ou en fonderie. En outre, une machine de fabrication additive permet de réaliser des formes plus diverses qu’une machine d’enlèvement de matière et des pièces plus complexes que la fonderie. Reste que cette technologie de rupture remet totalement en cause les savoir-faire acquis avec les procédés classiques. Principal verrou : la maîtrise des caractéristiques du produit (géométries, tolérances, tenue à la fatigue, à la corrosion…). Elle dépend notamment de la qualité des poudres métalliques, elle-même complexe à maîtriser et souvent variable d’une livraison à l’autre, mais aussi des aspects thermiques du process de fabrication : chaque couche de poudre déposée est chauffée avec un laser quasiment jusqu’à fondre puis elle refroidit, ce qui génère des contraintes mécaniques pouvant par exemple déformer les parties fines des pièces.
Des défauts difficiles à anticiper
« Le problème, c’est qu’on ignore encore très largement les liens entre les caractéristiques de la matière première, les paramètres du procédé et la qualité du produit final, souligne Jérôme Favergeon, directeur du laboratoire Roberval. Il n’est donc pas possible d’anticiper les défauts susceptibles de survenir sur une pièce : on ne les voit que lorsqu’elle est fabriquée. C’est une lacune critique quand il s’agit de produire de la très petite série, car s’il faut réaliser des études préliminaires de plusieurs mois en procédant par essais et erreurs à chaque nouveau produit à lancer, la fabrication additive n’est plus vraiment compétitive. » Aujourd’hui, l’UTC est en pourparlers avec des industriels pour engager des recherches sur ce verrou, face auquel sa multidisciplinarité constitue un atout.
Roberval est spécialisé en mécanique et matériaux et le laboratoire TIMR (Transformations intégrées de la matière renouvelable) dispose d’une solide expertise du comportement des poudres et de leurs applications industrielles. « Pour l’instant, nous n’avons pas mené de recherches spécifiques sur la fabrication additive, explique Khashayar Saleh, spécialiste du sujet à TIMR.
Mais, par analogie avec d’autres applications et de par nos connaissances en génie des procédés, nous avons identifié les difficultés susceptibles de se poser : notamment des problèmes de coulabilité des poudres, de collage non désiré des particules entre elles lorsque le faisceau laser balaie la couche de poudre, ce qui peut empêcher d’avoir des bordures nettes sur une pièce, ou encore de dispersion irrégulière des particules lors du dépôt des couches de poudre. Et nous avons de premières pistes d’action. » Enfin, de son côté, le laboratoire Heudiasyc maîtrise les techniques de data analytics (lire page 10), qui peuvent aider à mieux prévoir la qualité des pièces.
Un projet sur l’optimisation topologique
Le champ d’investigation de l’UTC ne se limite toutefois pas à cette problématique. La fabrication additive ouvre aussi de nouveaux horizons à l’optimisation topologique (l’optimisation de la géométrie des pièces et de la répartition de la matière par rapport aux propriétés mécaniques attendues). « Parce qu’elle autorise des formes plus complexes, elle peut par exemple permettre d’utiliser moins de matière et d’alléger une pièce sans dégrader les caractéristiques de tenue de structure, note Alain Rassineux, chercheur au laboratoire Roberval. Mais encore faut-il adapter nos outils d’optimisation topologique aux possibilités et aux limites de ce nouveau procédé. » Roberval a débuté des travaux sur ce sujet dans le cadre d’un projet de recherche sur la fabrication additive financé par l’agence nationale de recherche chinoise, qui associe également la Northwestern Polytechnical University de Xi’an (en Chine) et l’Université libre de Bruxelles.
Pour doter les machines industrielles qu’il commercialise d’algorithmes de maintenance prédictive, le groupe Alfi Technologies a fait appel à l’expertise du laboratoire Roberval.
Alfi Technologies réalise des lignes de production de matériaux de construction et des systèmes automatisés de logistique pour les sites industriels. « Pour exister sur ce marché et maintenir nos activités d’ingénierie et de fabrication en France, nous devons absolument être réactifs et innovants, souligne Yann Jaubert, son président : apporter au plus vite des réponses aux besoins spécifiques de chaque client, avec des solutions cousues main qui optimisent sa performance industrielle. La révolution numérique nous en offre l’opportunité : pour nous, l’industrie du futur, c’est dès aujourd’hui. » D’ores et déjà, les ingénieurs du groupe conçoivent ainsi toutes leurs installations en 3D, simulent leur fonctionnement à l’écran et peuvent même chausser un casque de réalité virtuelle pour s’immerger dans le clone numérique des futures lignes de production…
Trois défis
A présent, Alfi Technologies souhaite franchir une nouvelle étape : intégrer davantage d’intelligence dans ses machines. « Notre objectif est en particulier de les équiper d’algorithmes de maintenance prédictive pour apporter plus de valeur ajoutée à nos clients, explique Yann Jaubert. La difficulté de ce projet est triple : trier les données à recueillir sur les lignes de production, en extraire des modèles permettant d’identifier les signes avant-coureurs d’un problème en fonction du comportement des machines ou des caractéristiques du produit, et restituer ces informations sous une forme graphique, aisément accessible aux opérateurs de maintenance.
Pour y parvenir dans les meilleurs délais, nous avons choisi de nous appuyer le laboratoire Roberval. L’UTC se situe à proximité de certains de nos sites, nous avons déjà collaboré avec elle sur plusieurs projets et elle possède des compétences en maintenance et en analyse de données, mais aussi en électronique et en traitement du signal. Elle peut donc également nous aider si nous devons développer des capteurs n’existant pas sur le marché pour collecter certaines données. De plus, ce partenariat sera une nouvelle occasion de montrer aux étudiants de l’UTC qu’une PMI comme Alfi Technologies peut leur offrir des opportunités de carrières passionnantes ! » Pour Yann Jaubert, l’enjeu de l’analyse de données ne s’arrête toutefois pas à la maintenance prédictive : « Aujourd’hui, une fois nos équipements installés dans une usine, nous n’avons pas de visibilité sur leur comportement en production, ni sur les améliorations que nous pourrions leur apporter.
L’idée serait donc de remonter les données collectées sur les lignes de production des industriels jusqu’à Alfi Technologies, ce qui est désormais possible à un coût bien moindre qu’avant grâce aux réseaux dédiés à l’Internet des objets. De cette manière, nous pourrions plus facilement aider nos clients à faire évoluer leur outil industriel en fonction des problèmes rencontrés, de leurs nouveaux besoins et des innovations disponibles. »
