Industrie 4.0 : L’IA enabler d’un IoT industriel ? — Chapitre I

L’intelligence artificielle et les objets connectés sont deux buzzwords technologiques ; ce sont aussi et avant tout deux technologies en plein essor. L’intelligence artificielle pourrait, d’ici 2035, contribuer à augmenter la productivité mondiale de 40 % [1] et son marché potentiel devrait atteindre 11,1 milliards de dollars d’ici 2024.[2] L’IoT, a fait ses preuves, notamment sur la télé-relève et son déploiement devrait s’accélérer avec l’allumage du réseau 5G. Entre ces deux technologies, de plus en plus de synergies apparaissent notamment dans l’industrie. En effet, les applications industrielles de l’IoT couplé à l’IA représentent déjà un marché considérable. Selon McKinsey, la maintenance prédictive, à elle seule, permettra aux entreprises d’économiser 630 milliards de dollars d’ici 2025[3]. On parle d’AIoT. Peut-on alors considérer l’IA comme enabler de l’IoT industriel ou comme élément d’un écosystème technologique plus large facilitant son adoption ?

IA booster de l’IoT : Aller plus loin que la supervision

En industrie, l’IoT sans IA répond déjà à un besoin fort: le besoin de supervision. L’information captée — en temps réel — par les objets connectés est centralisée et mise à disposition. C’est notamment la vocation des systèmes SCADA, qui permettent de superviser une usine en présentiel ou à distance. Pourtant, pour tirer pleinement partie de la captation de données massives, il faudra aller jusqu’aux dernières étapes de la chaîne de valeur data, c’est à dire la mise en place d’algorithmes capables de traiter ces données pour en tirer des conclusions pratiques au métier : prédictions, prescriptions, optimisations… C’est particulièrement vrai pour les applications telles la maintenance prédictive, ou bien l’optimisation de la chaîne de production. Dans ces exemples, le recours à l’IA est essentiel pour que l’entreprise tire pleinement parti de ses efforts d’investissement en matière d’IoT.

L’IA apporte la promesse d’extraire de l’information à haute valeur ajoutée à partir de la data récoltée. Dans les faits, l’IA et plus précisément le Machine Learning sont déployés conjointement avec l’IoT dans 60 % des cas .

Deux approches pour bénéficier de la puissance de l’IA en maintenance prédictive.

Dans le cas de la maintenance prédictive et de l’aide au diagnostic -ou diagnostic intelligent-, la captation des données permet une compréhension approfondie des pannes et des signes indicateurs de dysfonctionnement. L’IA apporte un nouveau niveau d’abstraction. On ne se base plus seulement sur les données historiques mais sur l’interprétation et la projection qu’en fait l’IA pour traiter les pannes de manière proactive. Plusieurs approches sont possibles pour bénéficier de la puissance de l’IA en maintenance prédictive. Intéressons-nous à deux d’entres elles :

• Combiner l’apprentissage supervisé et la connaissance des experts terrain pour prédire des pannes connues
• Utiliser l’apprentissage non supervisé pour détecter les risques de pannes accidentelles.

Première approche : L’apprentissage supervisé
La première est d’anticiper l’évolution d’un actif grâce aux modèles d’apprentissage supervisé. Cela peut être formulé comme un problème de classification : est-ce qu’il y a une possibilité de défaillance pour les N prochaines minutes/heures (selon un seuil de risque). Le panel de modèles d’IA permettant d’apprendre une classification est très vaste, mais certains modèles sont particulièrement adaptés à l’analyse des séries temporelles et aux sources de données nombreuses. C’est le cas des réseaux de neurones LSTM (Long-Short Term Memory).
La maintenance prédictive peut aussi être formulée comme un problème de régression : prédire l’estimation de la durée de vie restante d’un actif (RUL — Remaining Useful Life). Là encore, certains modèles de régression sont particulièrement judicieux pour traiter des séries temporelles : les modèles ARIMA, les filtres de Kalman ou les filtres particulaires. Certains modèles, plus complexes comme les auto-encodeurs ou les State Space Model peuvent être adaptés à un jeu de données plus riche. Une régression peut aussi être interprétée comme une classification selon plusieurs classes de valeurs, et bénéficier ainsi de la puissance de l’apprentissage supervisé reposant sur du deep learning.

Deuxième approche : l’apprentissage non supervisé
L’apport de l’IA ne s’arrête pas là ; la deuxième approche est d’utiliser une autre classe de modèles pour détecter tout ce qui paraît anormal, et ainsi non seulement anticiper la maintenance habituelle mais aussi la maintenance accidentelle. Nous entrons ici dans le domaine de l’apprentissage non-supervisé. Certains algorithmes sont ainsi utilisés pour détecter des anomalies : par exemple en analysant la ressemblance d’une séquence temporelle observée avec des données historiques, en se basant sur des méthodes comme le Dynamic Time Warping qui permet de comparer des séries temporelles dont les vitesses d’évolution sont inégales. Une approche souvent utilisée est de réaliser une prédiction de comportement, de la comparer avec les données observées en temps réel et de lever une alerte lorsque l’erreur est significative.

Conclusion : L’IA, clef de voûte de la maintenance prédicitive

L’intelligence artificielle occupe donc une place centrale dans les applications de maintenance prédictive. Elle permet par apprentissage supervisé, d’anticiper les pannes connues et par apprentissage non supervisé, de détecter de potentielles anomalies. Dans ces deux cas, elle extrait une connaissance à forte valeur ajoutée des données collectées par l’IoT. Elle tient bien un rôle d’enabler d’IoT. Dans le chapitre II nous aborderons son rôle dans l’implémentation de jumeaux numériques

Stay tuned !

Si cet article vous a intéressé n’hésitez pas à nous contacter ici pour discuter de vos challenge AIoT