Le contrôle qualité lors d’un processus de fabrication n'est pas une tâche aisée et ne livre trop souvent des enseignements qu’a posteriori. Au moment où les pièces quittent la chaîne de montage pour être soumises à une inspection, il est peut-être déjà trop tard pour déceler des problèmes. Mais attendre la toute fin du processus de fabrication pour garantir l’absence de défauts des produits demande beaucoup de ressources, de temps et d’argent.
Pourtant, il existe une autre solution plus efficace.
Imaginez, par exemple, un processus de soudage où une caméra thermique suivrait de près la signature thermique du produit en cours de fabrication. En cas de soudage incorrect, une alerte se déclencherait immédiatement et le processus pourrait être corrigé en temps réel. Révolutionnaire, un tel niveau d’efficacité commence à devenir la norme dans le domaine de la fabrication grâce à des technologies de pointe, telles que l’apprentissage automatique (ML, machine learning), et s’inscrit dans le cadre d’un investissement plus large dans la résolution prédictive.
La notion de résolution prédictive vous semble familière ? C’est peut-être parce qu’elle est très proche de celle de maintenance prédictive, plus connue.
La rapidité avec laquelle les technologies basées sur des données ont influencé les processus de fabrication, en quelques années seulement, est stupéfiante. Certaines évolutions plus récentes de la transformation numérique, comme l’industrie 4.0 et l’industrie 5.0, ont offert de multiples avantages au secteur, notamment en facilitant la maintenance prédictive.
La maintenance prédictive, qui est l’un des piliers de l’industrie 4.0, s’appuie sur la théorie selon laquelle nous pouvons utiliser les données relatives à la santé des équipements pour empêcher la survenue de défaillances graves. En étudiant les vibrations ou les signatures thermiques des machines puis en entrant ces données dans des modèles de ML, les fabricants sont à même de prédire les défaillances et d’intervenir pour éviter toute catastrophe. De telles corrections réalisées en amont évitent de coûteuses interruptions, ce qui est habituellement un enjeu de taille pour le secteur.
La maintenance prédictive est un sous-ensemble de la résolution prédictive. Toutes deux offrent la même kyrielle d’avantages. En revanche, elles diffèrent sur quelques points fondamentaux.
La maintenance prédictive indique aux fabricants quand leurs équipements sont sur le point de tomber en panne. La résolution va un peu plus loin en proposant des pistes de solution. Ainsi, alors que la maintenance prédictive couvre le « si » et le « quand », la résolution prédictive se charge du « comment ».
La maintenance prédictive est nettement plus ciblée, son attention étant centrée sur les équipements de fabrication. Quant à la résolution prédictive, elle englobe davantage d’opérations commerciales : de la gestion de la chaîne d’approvisionnement au planning des travailleurs en passant par les améliorations des processus, en plus de la santé des équipements. Corriger un processus de soudage à l’aide de caméras thermiques, comme mentionné précédemment, est un exemple de résolution prédictive axée sur l’efficacité des processus. Les machines dotées d’équipements de suivi en temps réel peuvent éliminer immédiatement tout retard dans la chaîne de production et supprimer des goulets d’étranglement afin de respecter des quotas de production journaliers, voire horaires.
La résolution prédictive ne se contente pas d’identifier des anomalies au niveau des équipements de fabrication : elle identifie ce qui ne fonctionne pas dans certaines opérations et propose des solutions.
Alors que le processus de fabrication était auparavant opaque, la transformation numérique et les données l’ont rendu plus transparent. Par conséquent, il est plus facile de trouver et de résoudre les inefficacités.
Le développement et le déploiement de capteurs « IIoT » (Internet industriel des objets) à grande échelle constituent probablement l’une des plus grandes révolutions qu’a connues le secteur. Des machines pourvues de capteurs peuvent « communiquer », et les données ainsi échangées permettent aux fabricants de prendre des décisions éclairées. Mais l’IIoT ne fait pas tout : la profusion de données générées par l’IIoT peut vite surcharger d’informations les fabricants. À l’inverse, des technologies comme l’IA aident les fabricants d’équipements d’origine (OEM) à interpréter les données. Saisies dans des modèles de ML prédictifs, elles permettent la mise en place d’une maintenance prédictive.
Désormais, la suppression des silos de données existant entre différents services d’une entreprise de fabrication, ainsi que la capacité à lire des données non structurées, perfectionnent la façon dont le secteur prend des décisions sur la base de données, à savoir via la résolution prédictive.
De plus, les gains d’efficacité constatés vont au-delà des machines de la chaîne de production. Les modèles d’IA générative peuvent être entraînés à partir d’informations protégées figurant dans des manuels, des journaux de maintenance d’équipements ou encore des e-mails dans le but de créer des modules de formation pour les employés à l’aide du traitement automatique des langues (NLP). Les travailleurs moins expérimentés peuvent s’adresser à des modèles d’IA générative pour obtenir des instructions de réparation et enregistrer des journaux de manière centralisée, les données n’étant ainsi pas verrouillées ou cantonnées à des silos.
Disposer de données exploitables et pertinentes a toujours été l’un des plus grands défis à relever pour le secteur de la fabrication. Maintenant que les technologies sont en place, la résolution prédictive a de grandes chances d’aider les fabricants de toutes sortes de façons innovantes et uniques.
Les cas d’utilisation de la résolution prédictive ne manquent pas.
Par exemple, la servitization de produits, qui consiste pour les fabricants OEM à louer des équipements au lieu de les vendre, peut s’appuyer sur la résolution prédictive pour assurer une source de revenus plus stable. De plus, les fabricants peuvent accéder aux données de ces équipements loués pour peaufiner leurs modèles d’IA prédictive.
La maintenance prédictive permet déjà aux fabricants de réduire les temps d’arrêt et de réaliser des économies. En allant plus loin que l’analyse des causes profondes et la maintenance prédictive, la résolution prédictive présente un champ d’action beaucoup plus large pour identifier et résoudre les problèmes, y compris au-delà des machines. Les fabricants OEM qui ont ouvert la voie avec la transformation numérique sont bien placés pour récolter les fruits de cette approche globale.