Dossier

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.

44 : Industrie du futur : l’UTC aux côtés des entreprises

Le data analytics au service de l’excellence industrielle

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.