Objectif du défi
L'objectif est de développer des systèmes avancés d'aide à la décision pour guider les ingénieurs et les opérateurs tout au long du cycle de conception et de fabrication afin d'obtenir rapidement une production répondant à des normes de qualité élevées.
Les enjeux
Une contribution majeure à la performance du secteur manufacturier. L'efficacité du cycle de fabrication (MCE) est essentielle à cet égard. Elle mesure le pourcentage du temps consacré à la fabrication des produits qui est consacré aux activités à valeur ajoutée. Les activités sans valeur ajoutée sont celles notamment consacrées à déplacer, inspecter, tester les produits. Les systèmes d'aide à la décision basés sur les technologies de l'IA contribueraient de manière significative à réduire le temps consacré à ces tâches, augmentant ainsi l'efficacité de l'ensemble du cycle, en économisant les ressources, notamment dans un contexte de production de masse.
Challenges
Un premier défi consistera à identifier toutes les sources de données pertinentes. Un second consistera à relier deux types de données différents : celles liées au traitement du produit et celles utilisées pour son contrôle qualité afin de détecter, diagnostiquer et prédire les défauts de production liés aux paramètres du processus ou à l'état de la machine. Un troisième défi pourrait découler d'un objectif plus ambitieux, celui de pouvoir réutiliser le système d'aide à la décision dans d'autres contextes de fabrication que celui dans lequel il a été initialement développé. En d'autres termes, il s'agit de créer un modèle générique dont les paramètres pourraient être facilement révisés et donc adaptés à d'autres secteurs.
Solutions IA possibles
Un certain nombre de solutions d'IA contribueront à atteindre l'objectif ci-dessus tout en relevant les défis identifiés :
- Le développement de jumeaux numériques : pour simuler différents scénarios avant une production réelle.
- L'apprentissage actif : pour donner à l'opérateur humain la possibilité d'utiliser son expertise pour enseigner le modèle en cas de divergence
- L'apprentissage supervisé : expliquer au mieux certains comportements induits par l'IA à l'opérateur afin qu'il puisse continuer à jouer un rôle de supervision.
Ces questions constituent un défi passionnant pour nos chercheurs en IA.
