Cas de succès I

  • Home
  • /
  • Cas de succès I

Le défi

Application de techniques de Machine Learning dans la construction d’un modèle prédictif pour la fabrication de panneaux MDF.

Ce projet illustre la valeur de l’Intelligence Artificielle dans une aire industrielle, tant pour l’amélioration de l’efficacité de production que de la qualité finale du produit

Pour quelle raison et dans quel but ?

Sur les sites de production industrielle, le contrôle des innombrables variables intervenant dans les procédés et déterminant la qualité des produits finaux est essentiel. Le contrôle de ces variables n’est pas facile et exige des réglages continus de la part des opérateurs du site. Dans ce cas-ci, des variations dans certains facteurs tels que la vitesse de bande, la température, l’humidité, etc. entraînaient souvent des écarts par rapport au set point définissant le comportement optimal du processus. Le contrôle et la prédiction étaient donc critiques.

Le but du projet a consisté à modéliser le comportement d’une phase bien définie du processus de fabrication de panneaux MDF pour que leur qualité finale puisse s’adapter aux spécifications définies au préalable et pour augmenter l’efficacité dans la production. Ces deux objectifs ont bien été atteints.

Comment ?

Dans ce projet, nous nous sommes servis de l’analyse des données et de la prédiction du comportement de la ligne de fabrication. Dans une première étape, nous avons travaillé avec des données historiques (mise au point du modèle théorique) afin d’exploiter des données réelles dans une seconde étape, et de réaliser des prédictions selon la cadence exigée par la ligne de fabrication.

Nous avons d’abord analysé un ensemble de près de 60 000 registres correspondant à 70 variables différentes environ (poids, pressions, vitesses, niveaux, hauteurs…) collectés durant une semaine. Avec ces données historiques, nous avons établi les variables qui, durant la phase de fabrication faisant l’objet de l’étude, étaient les plus déterminantes dans la qualité du produit final. Pour ce faire, il a fallu appliquer un ensemble de technologies de Big Data permettant d’ordonner, de classer, de nettoyer et de qualifier les données. Plus tard, nous avons calculé la fonction de transfert permettant de décrire le comportement du processus dans le temps.

Une fois ces connaissances éminentes et précieuses obtenues, nous étios en mesure de savoir comment les choses avaient été faites, quel avait été le résultat et quels facteurs avaient intervenu dans le résultat et dans quelle mesure ils l’avaient fait. Nous pouvions donc commencer à définir les critères d’amélioration. En dernier lieu, nous avons créé un tableau de bord permettant de fournir toutes ces informations en temps réel. Ensuite, après un travail acharné d’essais et de sélection de la combinaison des algorithmes les plus efficaces, moyennant la technologie de Machine Learning, nous avons intégré au tableau de bord les diagrammes descriptifs de prédiction, en indiquant dans quelle mesure il fallait régler une certaine variable identifiée comme critique pour obtenir un résultat le plus près possible de 100 % de fiabilité par rapport à ce qui avait été défini au préalable.

Conclusions

Une fois ce travail complété, avec notre moteur d’analyse et de prédiction, le modèle a commencé à proposer des recommandations permettant de prendre des décisions pour l’amélioration de l’efficacité de production et la qualité finale des produits. La mise en œuvre de cette solution finit par l’automatisation des actions découlant des recommandations proposées par notre outil. En d’autres termes, l’outil permet à la ligne de s’ajuster elle-même, de sorte à obtenir de meilleurs résultats en termes de qualité et de coûts.