Université de Franche-Comté

Grand format
[Industrie 4.0]

Entreprises industrielles & intelligence artificielle

Qu’on la juge inquiétante ou stimulante, l’intelligence artificielle concerne tous les domaines de la science et de la société. Dans l’industrie, elle intervient dans la caractérisation des matériaux comme dans le contrôle des pièces, sans oublier l’amélioration des process. De nombreux travaux de recherche en IA accompagnent les entreprises sur le chemin de l’industrie 4.0…

L’intelligence artificielle, un vaste programme

Image générée par IA – FreepiK

Pour imiter les compétences de l’homme à penser et agir, l’intelligence artificielle (IA) requiert des systèmes informatiques puissants, des algorithmes élaborés et en général une grande quantité de données.

L’apprentissage automatique (machine learning) constitue un sous-ensemble de l’intelligence artificielle. Il repose sur le recueil et le traitement des données, utilisées pour entraîner un modèle qui sera ensuite capable de considérer par lui-même une problématique.
L’apprentissage automatique recourt à différentes architectures d’algorithmes, dont les réseaux de neurones constituent la famille la plus répandue. Les réseaux les plus complexes, comportant plusieurs couches interconnectées de neurones artificiels, sont à l’origine de la création d’algorithmes dits d’apprentissage profond (deep learning).

Emmanuel Ramasso est enseignant-chercheur à SUPMICROTECH / Institut FEMTO-ST. Sa spécialité de recherche concerne l’utilisation de l’intelligence artificielle pour le contrôle non destructif des propriétés et des comportements des matériaux. « Les algorithmes que nous mettons au point sont à même de détecter des informations cachées, selon des méthodes d’apprentissage automatique que l’on qualifie de « non supervisé ». Ils permettent par exemple de détecter la nature d’événements à l’origine de la dégradation d’un matériau lors de son usinage. » L’IA est chargée d’organiser les données directement émises par la pièce et recueillies grâce à des capteurs, de manière à faire émerger des mécanismes à l’œuvre.

Photo gefrorene wand – Pixabay

Il s’agit par exemple de savoir à quel moment se produit une fissure dans une pièce en cours d’usinage, de comprendre la manière dont cette fissure se propage dans le matériau, et éventuellement comment elle entraîne d’autres anomalies. Des capteurs d’émissions acoustiques transmettent ici les informations : certains matériaux, comme les composites, émettent localement du bruit lorsqu’une fissure se produit. L’analyse des données vibratoires par intelligence artificielle, à laquelle Emmanuel Ramasso travaille de façon privilégiée, complète les informations communiquées à plus large échelle par des caméras infrarouges captant les émissions de chaleur produites elles aussi lors d’une fissuration, pour une analyse la plus fine possible des processus.

« Combinée à des méthodes traditionnelles, l’IA permet de mieux comprendre ce qui se passe pendant le process, de caractériser l’impact des procédés sur la pièce en cours d’usinage », confirme Sébastien Thibaud, enseignant-chercheur en microfabrication mécanique à l’uFC / Institut FEMTO-ST, et responsable de la plateforme MIFHySTO.

De la qualité d’un perçage à celle d’un moulinet de pêche

Les applications de l’IA pour l’usinage concernent des domaines très variés. C’est par exemple le perçage par électroérosion, une technologie de haute précision pour laquelle l’équipe bisontine mène des recherches uniques dans la sphère académique.

Photo meineresterampe – Pixabay

Dans une collaboration avec SAFRAN, à l’origine d’un dépôt de brevet, les chercheurs utilisent l’intelligence artificielle pour optimiser le perçage sur des pièces de turbines. « Ces perçages de géométries complexes et de rapports de forme élevés entraînent une dégradation de la qualité des outils à un rythme très rapide, explique Sébastien Thibaud. Grâce aux données vibratoires traitées par IA, il est possible de monitorer le process pour être sûr que le perçage a été réalisé, de s’assurer que l’outil n’a pas été rendu défectueux avant d’avoir effectué cette opération ».

Dans un tout autre domaine, puisqu’il concerne la pêche et l’entreprise DÉCATHLON, qui sait, hormis les passionnés, que les moulinets équipant les cannes à pêche sont choisis sur la douceur de fonctionnement de leur mécanisme ? Et que ce sont des personnes aveugles qui traditionnellement se chargent de les tester et de leur attribuer des notes ?
Pour que cette tâche soit effectuée automatiquement en sortie de production grâce à un module d’IA intégré au process, c’est grâce à l’apprentissage automatique, cette fois « supervisé », que la recherche est conduite : on fournit au modèle non seulement des données, mais aussi des a priori, c’est-à-dire le type de résultats auxquels on veut que l’IA parvienne : ici, les notes pour qualifier la douceur de fonctionnement du moulinet.

À l’issue d’une thèse réalisée dans le cadre de ce projet de recherche, un banc d’essai est devenu opérationnel en 2023 ; muni d’un accéléromètre pour mesurer la vitesse et l’accé­lération des vibrations lorsqu’on tourne le moulinet, ce banc assure la collecte d’un grand nombre de données vibratoires, qui, associées à un référentiel de notes, serviront à entraîner le modèle. Par la suite intégré à la chaîne de production, l’algorithme sera capable de délivrer une note à chaque moulinet en sortie de fabrication.

 

Interroger la matière première

La qualité des matières premières elle-même est interrogée pour être traitée par intelligence artificielle, en vue d’assurer la maintenance prédictive de procédés industriels.

Dans une thèse développée avec l’entreprise SCODER à Pirey (25) et l’Institut FEMTO-ST sous la direction de Noureddine Zerhouni, Maha Ben Ayed s’intéresse de très près aux bobines de feuilles de métal utilisées par l’entreprise, spécialisée dans la fabrication de pièces pour le secteur automobile. « Les pièces produites sont partie prenante des systèmes de sécurité des véhicules, leur qualité doit nécessairement être irréprochable », raconte la doctorante, dont les travaux de recherche rendent des modèles capables de prédire les occurrences d’arrêts sur une machine en fonction de la qualité des bobines. C’est en lisant les caractéristiques physiques et chimiques de la matière et en rapprochant ces données des historiques d’arrêts de la chaîne de fabrication que la jeune chercheuse entraîne ces modèles par intelligence artificielle.
« Il devient possible de planifier la gestion de la production en fonction de la qualité des lots de métal. Les moins bons seront confiés aux opérateurs les plus compétents pour gérer plusieurs arrêts machines, ou traités au moment où les supports techniques sont les plus disponibles. »

Maha Ben Ayed a également préparé un modèle de machine learning pour que l’IA puisse juger de la conformité des pièces réalisées, dont la qualité est directement corrélée à leurs dimensions.
Ce modèle prédit six cotes, rete­nues parmi toutes celles qui peuvent caractériser une pièce : le respect de ces cotes témoigne de la bonne conformité de la pièce. « La qualité des bobines est fidèle au cahier des charges du fournisseur. Mais elle présente une très légère et inévitable variabilité ; c’est elle que l’on traque pour voir comment elle peut impacter le processus de fabrication. »

 

S’affranchir des paramètres thermiques d’une machine-outil

Les procédés d’usinage, c’est aussi le sujet qui fonde les travaux de Nabil Ouerhani, responsable du groupe Technologies d’interaction à la Haute Ecole Arc Ingénierie.

Photo Amir Balam-Unsplash

Dans le cadre du projet TherMoMac, Nabil Ouerhani travaille avec son équipe à optimiser les performances des machines, quel que soit le contexte thermique dans lequel elles se trouvent. Selon ses fonctions, une machine-outil demande en effet entre 3 h et 8 h de préchauffage pour parvenir à la stabilité thermique qui lui permettra de produire les meilleurs usinages. Grâce aux méthodes d’apprentissage automatique, les chercheurs ont entraîné un modèle prédictif pour assurer, en temps réel, la mesure de la position d’un outil et son déplacement précis. « L’outil corrige sa position en fonction des conditions thermiques environnantes ; l’usinage peut ainsi démarrer même à froid, dès la mise en route de la machine », explique Nabil Ouerhani.

Différents modules, adaptés à des procédés comme le fraisage ou le décolletage, sont d’ores et déjà implémentés sur certaines machines-outils du fabricant TORNOS en Suisse, partenaire du projet TherMoMac. « Mais les résultats sont à la disposition de toutes les entreprises potentiellement intéressées, précise Nabil Ouerhani. À partir des travaux menés dans le cadre de ce projet, il est possible de personnaliser les modules en fonction des équipements et des besoins spécifiques d’une entreprise ».

Pour adapter la solution logicielle issue de TherMoMac à chaque cas de figure, des capteurs de température relaient des informations sur le comportement thermique propre d’une machine. Ces données sont utilisées d’abord pour calibrer, puis pour entraîner le modèle, des opérations qui au total demandent quelques semaines de travail. Le logiciel est ensuite ajouté à la commande numérique pilotant la machine : il peut désormais mesurer son environnement thermique et adapter la position de l’outil d’usinage en fonction de l’évolution de sa température.

Solutions pour une meilleure gestion de la production

Dans le domaine de la prédiction, l’intelligence artificielle est aussi d’un grand secours pour anticiper l’usure d’une machine ou d’un outil, et ainsi mieux superviser la production.

Photo Matt Richmond – Unsplash

Pour y parvenir, il est possible d’utiliser des capteurs spécialisés dans l’enregistrement de paramètres aussi différents que des intensités de vibration ou une évolution de la consommation électrique. « Choisir les bons capteurs est un processus difficile, directement lié au type de machine dont on veut assurer la maintenance, voire à la nature de la pièce elle-même », explique Nabil Ouerhani.

Les modules développés par les équipes de la HE-Arc Ingénierie concernent toutes les formes d’usinage avec enlèvement de copeaux, et équipent déjà certaines lignes de production, par exemple en horlogerie. Effectuer une maintenance prédictive par IA signifie qu’il devient possible de remplacer un outil au moment où cela est nécessaire, ni trop tôt pour éviter de remplacer des outils encore en bon état, ni trop tard pour ne pas compromettre la qualité des pièces produites ou risquer de perturber la chaîne de fabrication par un arrêt non planifié.

À la HE-Arc Ingénierie, les capacités du machine learning sont aussi exploitées par la recherche en vue de digitaliser les savoir-faire. Les modèles basés sur l’IA aident à déterminer les conditions idéales de mise en route d’une chaîne de production ou à accélérer la phase de programmation d’une pièce.
Les logiciels de FAO les plus connus sur le marché, comme Mastercam, sont susceptibles de combiner leurs potentialités avec les paramètres de fonctionnement d’une machine : « Sur une ligne de production, l’assistance des logiciels permet de compenser le déficit de main d’œuvre auquel les entreprises sont aujourd’hui confrontées, et d’augmenter l’efficience des opérateurs qualifiés », indique Nabil Ouerhani.

C’est au MicroleanLab que prennent forme la plupart des projets de la HE-Arc combinant intelligence artificielle et problématiques industrielles. Ils sont ensuite développés en collaboration avec des fabricants de machines-outils et d’outils comme les Suisses TORNOS et LOUIS BELET, ou des créateurs de logiciels comme PRODUCTEC, qui commercialise GibbsCAM. « Le MicroleanLab représente un lieu privilégié et un concept adapté pour favoriser les partenariats. C’est aussi un dispositif très pertinent : il donne l’opportunité de qualifier les problématiques sur des petites machines, puis d’adapter les solutions préconisées à des équipements industriels plus importants. »

 

Alléger les contrôles et les calibrations d’outils

Optimiser la gestion des ressources en personnel, c’est aussi une préoccupation pour PRÉCIJURA, spécialisée dans le décolletage de pièces de précision. L’entreprise de Champagnole (39) est détermi­née à trouver des solutions pour alléger les contrôles qualité et les calibrations d’outils, devenus trop chronophages pour les opérateurs sur machines numériques.

Sous la direction de Jean-Marc Nicod à l’Institut FEMTO-ST, Valentin Sourbets travaille à répondre à ses attentes dans le cadre d’une thèse CIFRE, combinant les apports de la numérisation de documents et de l’intelligence artificielle. « L’objectif est de proposer une solution permettant aux opérateurs de maîtriser des paramètres qui jusque-là leur étaient soit inaccessibles, soit incontrôlables », indique le jeune chercheur. Une solution in fine capable d’indiquer à quel moment effectuer un contrôle ou corriger, voire remplacer un outil.

Première étape : construire une banque de données susceptible de réunir toutes les informations concernant la production et sa qualité, non seulement fournies par les opérateurs mais aussi en provenance des machines. La collecte et la centralisation de l’ensemble de ces données sont assurées par des logiciels pour l’essentiel réalisés au cours de la thèse ; l’installation réseau de l’entreprise a dû être revue pour assurer la connexion des machines entre elles et avec les interfaces opérateurs.

Si des développements sont encore à prévoir, le pari semble remporté pour l’entreprise comme pour le jeune chercheur. Les contrôles ont pu être placés en mode automatique, grâce à un algorithme associant la fréquence de contrôle qualité théorique à la cadence réelle de la machine. L’analyse des données qualité par IA donne la possibilité de prédire la dérive lente des pièces réalisées, et d’avertir du nombre de pièces restant à produire avant recalibrage ou remplacement de l’outil d’usinage. Autant de dispositifs pour optimiser les process et les rendre plus efficients.

 

Usines calquées en 3D

Au siège de l’entreprise BMW à Munich, deux doctorants en informatique de l’Institut FEMTO-ST se partagent une tâche ambitieuse : reproduire les usines du constructeur automobile sous forme de modèles 3D, pour donner naissance à des jumeaux numériques qui permettront de faire des simulations sur les évolutions de la production et du parc-machine.

Photo Thomas – Pixabay

« La difficulté première consiste à acquérir les données réelles de façon exhaustive, puis de réussir à les interpréter », pose en préambule Raphaël Couturier, responsable de l’équipe AND (Algorithmique numérique distribuée) au département DISC de l’Institut FEMTO-ST, et codirecteur des deux thèses. Car BMW souhaite disposer de modèles traduisant la réalité le plus fidèlement possible, un objectif qui impose de recourir à des technologies pointues pour collecter les données. Celles-ci seront ensuite traitées par machine learning pour entraîner les modèles, et obtenir des jumeaux numériques des plus réalistes. « Il s’agit de pousser à son maximum la représentation d’une machine et de son fonctionnement, en tenant compte, par exemple, du vieillissement des outils, dont les déformations visualisées en 3D seront intégrées aux modèles. »

La technologie LIDAR est ici mise à contribution, par le biais de capteurs qui passent au crible les environnements industriels visés pour en établir une cartographie numérique. Si les lasers dont les capteurs sont équipés sont parfaits pour scanner ce qu’ils ont devant eux avec une grande précision, ce sont des images sous forme de nuages de points qui sont restituées. Des millions de points à rassembler et à traiter au moyen de l’IA, pour recréer virtuellement des objets en 3D et bâtir des modèles plus vrais que nature.

 

L’IA, pour améliorer la microscopie holographique

Dans le projet HOLO-CONTROL, estampillé 100 % FEMTO-ST, des chercheurs en informatique, optique, robotique, automatique et mécanique réunissent leurs compétences pour améliorer les performances de la microscopie holographique, en utilisant les réseaux de neurones artificiels.
La microscopie holographique est développée pour les besoins de la microrobotique : la caméra capte les déplacements des micro-objets dans plusieurs directions de l’espace pour les retranscrire sous forme d’images.

« À FEMTO-ST, nous construisons l’algorithme qui permettra de détecter le positionnement d’un échantillon selon six angles de liberté », explique Raphaël Couturier. Les apports de l’IA sont ici indispensables pour pouvoir mesurer la position des objets à l’échelle du micro-, voire du nanomètre, en temps réel.
Débuté fin 2021 pour quatre ans, HOLO-CONTROL est un projet financé par l’Agence nationale de la recherche (ANR).

 

Un virage difficile à négocier

Si certaines entreprises sont très à l’aise avec le concept d’intelligence artificielle, d’autres ne sont pas prêtes à l’intégrer, ne voient pas d’intérêt pour leur activité ou se sentent démunies : « La connaissance des entreprises sur l’IA ne correspond pas toujours à ce qu’est sa réalité, et ce décalage est souvent entretenu par les informations trop approximatives relayées dans les médias », remarque Stéphane Galland, enseignant-chercheur en IA à l’UTBM et directeur du laboratoire CIAD (Connaissance et intelligence artificielle distribuées).

Photo PublicDomainPictures – Pixabay

Par le biais de présentations ou d’ateliers organisés dans le cadre des activités du consortium DEDIHCATED BFC (voir encart), Stéphane Galland communique sur l’IA de façon adaptée à l’entreprise. Détecter les défauts d’une pièce par l’analyse d’images depuis une machine-outil, intégrer les connaissances métier dans des modèles numériques, rendre intelligentes des lignes de production pour qu’elles prennent en compte une multitude de contraintes de fabrication…, les sujets abordés sont nombreux, en raison autant des possibilités qu’offrent les nouvelles technologies numériques que de la variété des activités industrielles.

Cette sensibilisation passe aussi par les projets de recherche intégrant des solutions d’IA, développés au CIAD en lien direct avec les entreprises, comme avec les sociétés THIPISEE, pour la sécurisation des données utilisateurs sur smartphone, ou X’Plan Research, pour l’optimisation de la planification, par exemple dans le cadre de l’organisation d’un chantier.
Les équipes du CIAD se sont spécialisées dans le concept d’intelligence artificielle hybride : « Les solutions développées dans les projets menés avec les entreprises combinent différentes branches de l’IA, afin de pouvoir répondre au plus juste à leurs besoins », explique Stéphane Galland.

Les solutions générées par IA hybride permettent par exemple d’augmenter la performance des mécanismes de raisonnement utilisés dans les véhicules autonomes, ainsi qu’en robotique ou sur les chaînes de production, pour de meilleurs résultats.

 

DEDIHCATED BFC : un programme dédié aux entreprises

Amorcer le virage vers l’industrie 4.0 n’est pas toujours facile pour les entreprises, d’autant plus pour les PME et PMI.
Intelligence artificielle, cybersécurité, calcul haute performance…, c’est pour les aider à intégrer la culture de l’industrie 4.0 et à opérer peu à peu les changements de paradigmes nécessaires pour s’engager dans cette évolution que le consortium DEDIHCATED BFC est né.
Le dispositif prévoit la mise en place d’un « guichet unique du numérique », donnant aux entreprises la possibilité de suivre différents parcours thématiques en fonction de leur maturité numérique.

Officiellement lancé en avril 2023, DEDIHCATED BFC est un projet européen soutenu par la Région Bourgogne-Franche-Comté. Il est piloté par le Pôle Véhicule du Futur, qu’accompagnent douze partenaires : Nuclear Valley, Vitagora, BFC Numérique, Numerica BFC, Usinerie Partners, Amvalor (Ensam), Université de Bourgogne, Université de Franche-Comté, UTBM, Cetim, Cap’tronic, CCI Bourgogne - Franche-Comté.

 

La sécurité, pour les données comme pour les systèmes

Quelles que soient les architectures et technologies employées, l’intelligence artificielle doit nécessairement s’accompagner de la plus grande sécurité possible pour la protection des données et des systèmes. Comme l’a rappelé de manière forte la panne informatique mondiale du 20 juillet dernier, les technologies de sécurité ne sont pas exemptes de vulnérabilité. Et le cloud n’apparaît pas comme une panacée pour protéger les données, susceptibles d’y être exploitées de façon malveillante.

Image générée par IA – Freepik

Dans le projet européen VEDLIoT, les chercheurs s’attachent à développer des solutions de proximité pour le traitement des données, plus facilement contrôlables que les services cloud, alors que l’internet des objets promet une automatisation et un échange de données généralisés. Dans le cadre de ce projet, Jämes Ménétrey termine sa thèse en cybersécurité sous la direction de Pascal Felber, directeur de l’Institut d’informatique de l’université de Neuchâtel, et de Marcelo Pasin, du groupe Analyse de données à la Haute Ecole Arc. Le jeune chercheur travaille à l’amélioration de la sécurité des systèmes basés sur l’intelligence artificielle, à l’aide d’environnements d’exécution de confiance (TEE), aussi appelés « enclaves », et de WebAssembly, un standard moderne pour le développement d’applications.

L’utilisation des enclaves pour protéger l’exécution d’un programme est aujourd’hui très prisée par les entreprises travaillant avec le cloud et celles développant des téléphones. Ces enclaves isolent les informations contenues dans un programme par une assistance matérielle du processeur et des techniques cryptographiques, un procédé qui consiste à les marquer d’une empreinte infalsifiable, donnant ensuite la possibilité à une machine distante de s’assurer de leur authenticité. « Cependant la technologie n’est pas facile à exploiter et impacte la conception d’un programme. L’objectif de ma thèse est de rendre le recours aux TEE plus accessible aux développeurs lorsqu’ils créent un programme, grâce à l’utilisation de WebAssembly, un standard permettant de limiter la complexité de programmation pour les applications s’exécutant dans ces environnements de confiance », explique le jeune chercheur.

Ces travaux entrent dans le domaine du confidential computing, qui utilise les TEE pour garantir la sécurité des données traitées sur de petits appareils de proximité, à l’instar de ce qui est fait dans le cloud.

retour