Arme universelle contre l'immobilité des machines

Thomas Hilzbrich, Pablo Mayer et Felix Müller (de gauche à droite) ont développé la « Optimisation intelligente des systèmes » et ont fondé la start-up plus10 GmbH. (Source : Fraunhofer IPA / Photo : Rainer Bez)

Les chercheurs du Fraunhofer IPA ont développé un outil d’analyse qui, grâce à des algorithmes auto-apprenants, détecte les défauts dans des installations de production à haute cadence, aide à leur résolution et réalise un benchmarking automatisé des machines. Désormais, les scientifiques se lancent eux-mêmes dans cette technologie.

Surtout l’industrie pharmaceutique et des biens de consommation, qui utilise des installations de production coûteuses, dépend de la maximisation constante de la productivité. Sinon, le coût et les lacunes de financement deviennent problématiques. Cependant, en pratique : « Plus l’installation est complexe, plus la productivité est faible. » C’est ce qu’exprime Felix Müller, chef de groupe en optimisation autonome de la production au Fraunhofer IPA. De plus, de nombreuses installations de production comprennent une multitude de stations et fonctionnent si rapidement que les causes des erreurs ne peuvent pas être détectées à l’œil nu.

Avec la « Smart System Optimization », Müller et son équipe ont donc développé un outil d’analyse qui détecte en continu les erreurs et leurs causes dans des installations de production en chaîne à haute cadence : un connecteur puissant accède en haute fréquence aux données du contrôle machine via le protocole du fabricant concerné. Cela crée une base de données continue que plusieurs algorithmes auto-apprenants évaluent de manière synchronisée dans le temps. Ceux-ci identifient précisément où se trouvent les erreurs dans le système de production, comment elles sont reliées et quelles priorités elles ont pour leur correction. De cette manière, les défauts, qui peuvent entraîner la panne de l’ensemble du système, peuvent être réparés plus rapidement ou même anticipés.

Le système apprend en continu

Il n’est cependant pas toujours évident de savoir quoi faire lorsqu’une erreur risque de se produire. S’y ajoutent des messages de suivi de la machine qui compliquent encore la situation pour l’opérateur. C’est pourquoi Müller et son équipe ont développé Shannon®, un système d’assistance intelligent pour les opérateurs dans les installations complexes, basé sur la « Smart System Optimization ». Jusqu’à présent, il revenait souvent aux opérateurs de décider des actions à entreprendre pour réparer une erreur. Désormais, la machine concernée leur envoie un guide détaillé étape par étape sur leur smartphone ou tablette. La base de données et les liens entre perturbations et solutions s’enrichissent en permanence durant l’exploitation de l’installation.

Les opérateurs peuvent ainsi créer eux-mêmes des instructions, par exemple pour la réparation de perturbations. Ces instructions peuvent inclure du texte, des photos et des vidéos. De plus, ils peuvent donner leur avis sur les informations fournies, ce qui permet de les améliorer. Les opérateurs sont également encouragés à contribuer activement au savoir, par exemple en décrivant des événements détectés mais inconnus. Avec le temps, une base de connaissances claire, compréhensible et entièrement reliée se construit, comprenant erreurs, événements et solutions. Shannon® est actuellement utilisé sous forme d’application pour tablette et smartphone dans plusieurs usines, où il a considérablement réduit le temps nécessaire pour réparer les perturbations.

Amélioration de l’efficacité jusqu’à 18 pour cent

Un benchmarking automatisé des machines est également possible avec la « Smart System Optimization » : dans de nombreux halls de production, des dizaines de machines identiques ou similaires effectuent toujours le même cycle de traitement. Un exemple en est les machines d’injection, de moulage sous pression ou encore de thermoformage et de formage profond. Bien qu’elles soient toutes construites de manière identique, certaines fonctionnent plus lentement que d’autres. Cela est généralement dû à l’usure de certains composants, à un comportement variable des capteurs ou à des réglages d’outils et des fluctuations de matériaux.

Lors du benchmarking des machines, le processus global d’une machine est d’abord défini et divisé en étapes individuelles. Ensuite, le connecteur haute fréquence au contrôle de la machine crée une base de données que traite un paquet d’algorithmes d’apprentissage automatique. Cela se fait simultanément pour toutes les machines connectées, qui sont virtuellement fusionnées en un processus idéal. L’outil détecte alors immédiatement si une machine fonctionne plus lentement que prévu et relie cela à une cause technique. Les utilisateurs peuvent ainsi non seulement réparer les perturbations avant qu’elles ne surviennent, mais aussi obtenir un cycle optimisé pour les machines connectées en combinant les meilleures étapes. Selon la machine, cela a permis dans les prototypes précédents de réduire le cycle entre 2 et 18 pour cent. Même la machine la plus rapide peut donc devenir encore plus rapide. L’application a désormais été intégrée dans un logiciel en apprentissage continu appelé Darwin.

Les chercheurs créent une start-up

Chez plusieurs fournisseurs automobiles et un fabricant de machines d’injection, Darwin, le benchmarking intelligent des machines, est déjà utilisé, même à l’échelle de plusieurs usines. Shannon® est déjà appliqué dans de grandes entreprises automobiles et pharmaceutiques. C’est une raison suffisante pour Felix Müller et ses deux cofondateurs, Thomas Hilzbrich et Pablo Mayer, de se lancer dans l’aventure avec la « Smart System Optimization ». Leur start-up, la plus10 GmbH, possède actuellement des bureaux à Stuttgart et Augsburg et va commencer ses activités aujourd’hui.