Que peuvent faire l’IA/AA pour vous ?
En utilisant l’intelligence artificielle (IA), c’est-à-dire la capacité d’un ordinateur ou d’un robot commandé par ordinateur à effectuer des tâches généralement associées aux personnes, ou l’apprentissage automatique (ML), soit la capacité d’une machine à imiter le comportement humain intelligent, les fabricants peuvent améliorer leurs performances grâce à :
Jusqu’à 10 % de réduction du temps d’arrêt – Anticipez les défaillances des équipements grâce à une maintenance prédictive plutôt que réactive et recevez des alertes lorsque les équipements fonctionnent en dehors des plages normales.
Jusqu’à 12 % de meilleure qualité – Détection plus précoce des défauts de procédé ou de matériau
Jusqu’à 30 % de productivité en plus – Réduction des reprises et des rebuts, planification efficace de la maintenance et meilleure connaissance des problèmes de processus
Selon Randy Thompson, architecte commercial et solutions senior chez TT PSC, les algorithmes de ML construisent un modèle mathématique basé sur les données disponibles pour faire des prédictions ou prendre des décisions sans être explicitement programmés pour cela. Pendant le processus de construction du modèle, les données historiques sont utilisées comme entrée pour entraîner le modèle – généralement 70 % pour l’entraînement et 30 % conservés pour l’évaluation et la confirmation du modèle.
Qu’est-ce qui fait un bon cas d’utilisation de ML ?
Un bon cas d’utilisation de ML consiste en un objectif de prédiction mesurable, de nombreuses variables et des données historiques disponibles. Les entreprises disposent généralement de nombreuses données, mais souvent pas des données dont elles ont besoin pour prédire l’objectif qu’elles souhaitent atteindre. Cela peut nécessiter des entrées de capteurs supplémentaires ou la modification des objectifs de prédiction. C’est un domaine dans lequel un partenaire expérimenté peut aider.
Un bon exemple de cas d’utilisation de ML est un processus de séchage du bois visant à obtenir un certain taux d’humidité. Avec le ML, vous pouvez saisir toutes les variables mesurables du processus pour prédire la vitesse à laquelle faire fonctionner le séchoir afin d’obtenir le niveau de séchage correct. Ce qui est formidable avec l’apprentissage automatique, selon Thompson, c’est qu’après avoir ajouté les données nécessaires, le modèle fait le travail pour vous. Parmi les autres questions à déterminer :
- Ce problème mérite-t-il d’être traité ? Quel est le bénéfice commercial attendu ?
- À quelle fréquence le problème se produit-il ? Le meilleur scénario est qu’il se produise suffisamment régulièrement pour vous fournir suffisamment de données pour créer un modèle et voir les résultats.
- Quel est le coût en temps d’arrêt ?
- Que ferez-vous différemment si vous avez cette prédiction ?
Enfin, disposez-vous des données nécessaires à la construction du modèle ? Tout commence par une hypothèse. Choisissez ce que vous jugez important plutôt que d’intégrer toutes les données. Ensuite, demandez-vous quelles données sont disponibles et s’il y en a suffisamment pour faire une prédiction précise.
Utilisation de l’Analytics Accelerator for FactoryTalk Historian
Analytics Accelerator for FactoryTalk Historian est une combinaison d’outils que Rockwell Automation a développée pour aider les fabricants à réaliser leur propre modélisation.
Il s’agit d’une solution de portefeuille intégré construite à l’aide de ThingWorx® pour faciliter l’application du ML aux données stockées dans les archives de données FactoryTalk Historian. La solution se compose de plusieurs services et mashups ThingWorx qui constituent l’interface utilisateur.
