L'Intelligence Artificielle au service de l'optimisation des procédés industriels | Voice of Industries

Description

Dans ce podcast, Vincent Bonnivard, Lead Data Scientist chez Probayes, explique comment l’Intelligence Artificielle (IA) transforme l’optimisation des procédés industriels. Il aborde les enjeux, l’utilisation des jumeaux numériques pour simuler et prédire les systèmes, ainsi que les étapes concrètes de mise en œuvre. À travers des exemples pratiques, Vincent partage aussi des conseils précieux pour intégrer l’IA et maximiser son impact. Un échange riche en idées pour les industriels en quête d’innovation et d’efficacité !

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Transcription

Speaker #0
Bonjour Vincent, merci de ta venue sur Voice of Industry. Aujourd'hui on est ravi de te recevoir pour parler de l'application de l'IA pour l'optimisation des procédés industriels. Alors pour commencer est-ce que tu peux te présenter, nous en dire un peu plus sur ton activité chez Probyes ?
Speaker #1
Bien sûr, bonjour Mathieu et merci beaucoup de l'invitation. Donc moi je suis chez J'ai probabilisé depuis maintenant 8 ans et je suis, on va dire... Lead Data Scientist, donc j'encadre techniquement une équipe d'environ 10 data scientist sur un tas de projets pour ProBias.
Speaker #0
Alors j'ai oublié de préciser mais ce podcast fait partie d'une série de plusieurs podcasts sur les applications d'IA pour l'industrie, fait en collaboration avec les équipes de ProBias. Donc merci à nouveau Vincent d'être avec nous. Pour commencer, est-ce que tu peux nous décrire un peu plus ce que tu entends par optimisation des procédés industriels ?
Speaker #1
Oui, l'idée c'est de... chercher à maximiser une certaine performance, on va dire, qui peut correspondre à de la qualité, à du rendement, ça dépend évidemment du procédé en question, mais le but c'est de maximiser quelque chose, grosso modo, et en pratique, ce que je veux dire par là, c'est idéalement fournir un assistant, entre guillemets, pour le pilotage du procédé industriel en temps réel, finalement, pour maximiser les performances. Concrètement ? Dans certains cas, il faut avoir en tête que quelques gains minimes de performance au sein du procédé industriel peuvent mener à des gains significatifs d'un point de vue euro finalement pour l'industriel. Voilà, donc c'est ça l'objectif, c'est maximiser cette performance. Et même dans la situation où la production est stable finalement, les industriels cherchent souvent à obtenir ce qu'on appelle le golden batch par exemple, si on parle de procédé batch. Donc voilà, avoir la meilleure configuration possible de production.
Speaker #0
Par rapport à ça, tu parles d'assistant, en gros ça va être de l'aide à la décision, ça va être j'imagine aussi modifier des réglages du procédé,
Speaker #1
des recettes, c'est à peu près ça ? dans le procédé, des valeurs de capteurs à modifier, de tel ou tel paramètre, des actionneurs à modifier, de façon à revenir vers une situation qui sera meilleure que la précédente.
Speaker #0
Pourquoi utiliser l'IA pour faire de l'optimisation des procédés ?
Speaker #1
L'idée, c'est que les procédés industriels sont souvent très complexes, avec un très grand nombre de paramètres, de grandeurs physico-chimiques qui sont mesurées. Évidemment, c'est très compliqué de maîtriser parfaitement l'ensemble du procédé. On sait que les responsables qui font le pilotage le connaissent bien. Mais par exemple, la compétence peut se perdre dans le temps. Donc un avantage, c'est que si on peut modéliser ça par de l'IA, on peut rendre plus pérenne finalement cette connaissance. Et surtout, en fait, devant ce très grand nombre, on va dire, de degrés de liberté qu'on s'est procédé, notre cerveau humain, entre guillemets, a des limites, évidemment. Donc via des modèles d'IA, on peut plus facilement généraliser et avoir une vue d'ensemble peut-être meilleure qu'on peut avoir nous-mêmes avec notre réflexion à nous.
Speaker #0
Maintenant qu'on sait que l'IA peut apporter quelque chose, quelle démarche on peut avoir pour utiliser cette IA au service de l'optimisation des procédés ?
Speaker #1
La première étape va être de parvenir à développer ce qu'on va appeler un jumeau numérique du procédé. Concrètement, c'est une sorte de simulateur du procédé qui permet de déterminer quelles seront les caractéristiques de sortie du procédé. ça peut être le rendement, la qualité, c'est très... spécifique à chaque fois, mais connaissant l'ensemble des mesures, l'ensemble des paramètres du procédé, donc les capteurs mesurés par le procédé en temps réel.
Speaker #0
En fait, on va prédire le comportement du procédé grâce à ce...
Speaker #1
On va le modéliser, en fait. On va se dire, grâce à ce jumeau, on sait dire, quand je fais telle action, j'ai tel résultat en sortie. On a besoin de ça. Il faut qu'il soit le plus proche possible de la réalité du procédé, ce qui est un enjeu, j'en parlerai sûrement. Et notamment, il faut qu'on puisse potentiellement... aller avec ces simulateurs au-delà des cas les plus fréquents. Donc pouvoir généraliser à des situations qui seraient nouvelles et très rares, parce que c'est ça qui peut arriver, c'est que demain on a une nouvelle matière première qu'on n'a jamais vue, et idéalement on aimerait pouvoir simuler le comportement du procédé, même dans ces cas qui ne sont pas forcément très bien connus. Et donc concrètement, pour faire ce genre de jumeau numérique, on a on va dire trois grandes possibilités. La possibilité numéro un, ça serait, malheureusement c'est très rare, mais... Pour des procédés qui seraient relativement simples, on pourrait entièrement les modéliser via des équations en fait, et donc avoir une résolution entre guillemets analytique du système, ce qui n'est pas réaliste dans la vraie vie malheureusement. Le cas le plus réaliste, on va dire, c'est via des simulateurs vraiment qui intègrent ces équations physico-chimiques, qui les intègrent et qui les résolvent dans un simulateur de procédés. Grâce à ça, cette petite simulation, c'est finalement en tant que tel un jumeau numérique. Un des problèmes de ces objets-là, c'est qu'ils sont souvent extrêmement gourmands en temps de calcul, ce qui fait qu'on ne peut pas s'en servir dans la vraie vie du procédé en temps réel. Et j'en reviendrai après. D'où l'intérêt de faire des modèles d'IA par-dessus ça. Mais donc, une solution c'est ça, c'est en tout cas d'avoir un jumeau numérique, un simulateur physico-chimique du procédé, option 2. Et option 3, finalement, c'est d'utiliser directement des modèles d'IA comme jumeau numérique. Donc en fait, entraîner un algorithme d'IA à prédire, on va dire, les sorties de notre procédé, connaissant en entrée les capteurs, les mesures qui ont lieu dans la vraie vie. Donc remplacer le simulateur. par un modèle qui a été entraîné, qui a été appris, sur des vrais exemples de procédés.
Speaker #0
Ce qui veut dire que, si je comprends bien, dans les deux premiers cas, comme on a de la physique et de la chimie qui rentrent en ligne de mire dans le simulateur, comme tu dis, ou le jumeau numérique, on va pouvoir aller au-delà de ce qui se fait habituellement au niveau industriel. Par contre, si je comprends bien, dans le dernier cas, on est sur de la donnée historique, donc on va être capable que de connaître ce qu'a vécu le procédé dans son histoire.
Speaker #1
Et c'est un problème parce que souvent, la majorité des procédés heureusement sont stables et sont bien maîtrisés et donc ne sortent que très peu de gammes bien connues en fait voire peu de variabilité donc en fait l'idéal c'est que souvent le simulateur physico-chimique s'il existe il a un gap néanmoins réel entre ce qu'il propose et la vraie vie parce que le simulateur reste une approximation en fait donc la session idéale c'est de pouvoir avoir un simulateur existant mais entraîner par exemple Merci. Un modèle d'IA sur ce simulateur pour le reproduire, pour que le modèle d'IA comprenne finalement la physicochimie du procédé via des exemples issus du simulateur, mais l'entraîner sur le modèle d'IA aussi sur les données de vrais procédés pour réduire ce gap qu'il y a entre la simulation et la vraie vie. Et donc avoir un modèle qui est complet, qui a vu grâce au simulateur plein de cas divers et variés, même des cas qui sont extrêmement marginaux en production, mais pouvoir aussi le fine-tuner sur le modèle d'IA, sur des vraies données de production pour le rendre le plus... plus complet et réaliste possible. Ça, c'est la situation idéale.
Speaker #0
Une situation un peu hybride, mais qui prend le meilleur des deux apports,
Speaker #1
si je comprends bien.
Speaker #0
Et concrètement, comment est-ce qu'on peut développer ce jumeau numérique ? Comment ça se passe ?
Speaker #1
Comment ça se passe ? On va prendre le scénario idéal dont je parlais auparavant. On fait l'hypothèse que l'industriel a un simulateur physico-chimique du procédé, donc il peut générer facilement, entre guillemets, en tout cas, a priori facilement, Tout un tas d'exemples de situations de procédés avec des données capteurs de quelle qu'elle pourrait être dans la vraie vie et des sorties, des outputs du procédé. Donc déjà on va demander aux simulateurs de générer plein d'exemples de ce style là, première chose. Et on va compléter cette base de données par des vrais exemples issus du vrai procédé. Donc il faut que l'industriel ait historisé depuis quelques années par exemple des données de procédés, voilà, tous les paramètres qui ont eu lieu dans le passé, les sorties du procédé, tout ça doit être historisé. Une fois qu'on a ça, on peut entraîner des modèles de machine learning ou de deep learning qui vont prendre en entrée l'ensemble des capteurs au cours du temps, par exemple, et prétire les sorties du procédé. Et une fois qu'on a ça, finalement, on a notre jumeau numérique, entre guillemets, qui s'est bien généralisé grâce à nos simulations, et qui a l'avantage d'être très rapide. En temps de réponse, j'en parlerai après, mais c'est un point essentiel pour pouvoir s'en servir, pour vraiment optimiser ensuite, dans la vraie vie, le procédé.
Speaker #0
Alors j'ai une question qui est un peu technique, mais je pense qui peut intéresser les gens qui sont un peu experts en génie des procédés et qui nous écoutent. Ça marche aussi bien sur des modèles, des simulateurs statiques, mais est-ce que ça marche également sur les approches dynamiques du procédé ?
Speaker #1
Oui, la question va être de comment intégrer cet aspect dynamique, et notamment l'aspect temporel, du coup, est critique. Pour l'aspect dynamique, les deux sont faisables. Il faut, dans l'aspect dynamique, ça veut dire qu'on a besoin d'avoir, généralement, on va dire, un passé assez significatif pour garder en tête dans le modèle, entre guillemets, ce qui s'est passé dans les N dernières heures, par exemple, puisqu'on sait que c'est un aspect dynamique, on peut avoir de l'inertie, par exemple, et donc on a besoin d'avoir le comportement dans les temps un petit peu passés pour alimenter le modèle, pour sa prédiction de l'état d'après. Donc c'est faisable, mais il faut le prendre en compte dans la modélisation machine learning.
Speaker #0
Ça amène un peu plus de complexité. Voilà,
Speaker #1
c'est un peu plus compliqué, mais c'est faisable, absolument.
Speaker #0
On vient de passer un peu de temps à parler du jumeau numérique. Mais si je comprends bien, le jumeau numérique, il va nous permettre de prédire comment se comporte le process. On n'est pas encore à l'optimisme. Comment est-ce qu'on se sert de ce jumeau numérique pour optimiser en temps réel le procédé ?
Speaker #1
En fait, l'idée, c'est qu'une fois qu'on a ça, on se ramène à une sorte de problème d'optimisation sous contrainte, puisqu'on va se dire, très bien, maintenant, ce jeu numérique me permet de savoir ce qui va se passer dans mon procédé si je fais telle ou telle action. Si je modifie tel paramètre, je sais prédire, entre guillemets, simuler ce qui va arriver. Donc, maintenant qu'on a ça, on peut se dire, tiens, en production, j'ai une nouvelle situation qui arrive, je change une matière première, admettons. Et bien je vais pouvoir en fait, par exemple scanner mon simulateur, tester différents paramètres d'entrée, différentes actions possibles dans mon simulateur, dans mon jumeau numérique, et voir laquelle maximise ma performance. Évidemment il y a des contraintes, on sait qu'on ne peut pas faire n'importe quoi dans un système en production. Il y a des paramètres qu'on ne peut pas modifier, il y en a qui sont fortement corrélés, il y en a qui ont des limites, qui ont des contraintes. Donc c'est pour ça que je parle d'optimisation sous contraintes, c'est ça vraiment, c'est de se dire, j'ai le simulateur, comment... S'en servir pour trouver la meilleure solution, mais certaines solutions ne sont pas autorisées finalement, donc on doit contraindre le périmètre. Et ça du coup, on a besoin d'une très forte interaction avec le métier, parce que le métier qui lui maîtrise son procédé, c'est nous dire, ben voilà, ça c'est une contrainte, je ne peux pas dépasser tel bord dans le procédé, je ne peux pas modifier aussi rapidement ce paramètre-là, ça n'a pas de sens, ce n'est pas possible techniquement. Donc on doit intégrer ces contraintes, mais une fois qu'on peut le faire, ça va pouvoir marcher, on va pouvoir en temps réel, à la fin finalement, proposer une solution Rapidement, puisque grâce au modèle d'IA, finalement, on n'a pas les contraintes de temps de calcul très long que peuvent avoir des vrais simulateurs complets. Via les modèles Machine Learning et Deep Learning, les inférences sont très rapides, donc on peut vraiment tester en temps réel plein de combinaisons et trouver la meilleure en un temps qui est raisonnable pour la vraie production.
Speaker #0
Ok, c'est très clair. Mais pour aller un peu plus dans le concret, est-ce que tu peux nous donner... Quelques exemples de réalisations que vous avez pu faire dans ce domaine ?
Speaker #1
Concrètement, on a commencé sur ce sujet-là il y a quelques années, déjà maintenant en ProBias, environ en 2019 en particulier. On avait attaqué avec un projet financé par l'Europe, un projet H2020 qui s'appelait Monsun, et qui impliquait Riotinto, entreprise de production d'aluminium, sur le site de Dunkerque, qui a été d'ailleurs racheté depuis par Aluminium Dunkerque. En tout cas, l'idée, c'était de chercher à optimiser un procédé interne de l'usine, qui était la production d'anodes. Il faut comprendre que dans le procédé de production d'aluminium, on a une électrolyse qui se fait à un moment donné dans le procédé, et donc qui consomme des anodes. Et donc l'usine produit ses propres anodes pour ce procédé. Et l'idée, c'était qu'en fait, si la qualité des anodes est la meilleure possible, pour l'électrolyse qui a lieu à la fin de la chaîne de production, les rendements s'améliorent. Et c'est très significatif si on peut maximiser la qualité, la densité dans ce cas-là, anodique. Donc on a voulu mettre ça en place à l'époque. Là, on n'a pas de simulateur. Donc c'était une difficulté, c'est qu'on a dû uniquement entraîner notre géométrie numérique sur des données passées. Alors ils avaient plus de 10 ans d'historique, donc ça donnait quand même pas mal d'exemples assez différents pour construire un modèle assez robuste. Donc c'est ce qu'on a fait à l'époque. Donc ce modèle de machine learning a été entraîné à prédire la densité anodique connaissant Bon. les paramètres procédés. Il marchait bien, il avait des bonnes performances de prédiction, et donc on s'en est servi comme jumeau numérique. Et donc concrètement, ce qu'on a fait, c'est qu'on a déployé chez Aluminium Dunkerque cet outil qui, concrètement, en temps réel, propose jusqu'à trois actions, donc trois modifications de paramètres procédés qui permettent de revenir à une situation de densité qui est optimale si elle avait été dégradée auparavant de par des conditions diverses et variées.
Speaker #0
Voilà. Ce qui me fait penser à un sujet qu'on n'a pas abordé précédemment, mais si on n'a pas la variabilité ou la richesse sur nos historiques de données, et qu'on n'a pas ce simulateur, on va dire, physico-chimique comme tu le décrivais, est-ce que ça arrive que les industriels aient des approches de type plan d'expérience ?
Speaker #1
Oui, en fait c'est une solution, effectivement, parce que si on veut aller explorer des espaces inhabituels, une façon de le faire, c'est ça, c'est mettre en place des plans d'expérience. qui sont quand même sous contrôle, donc on ne va pas faire n'importe quoi. Les industriels vont choisir quels paramètres à aller explorer, mais ça permet de générer de la donnée intéressante qui permet d'ensuite entraîner par-dessus des modèles machine learning. Donc oui, ça arrive de temps en temps.
Speaker #0
Et potentiellement, j'imagine, s'ils ont des installations pilotes, ils peuvent même les faire sur des installations pilotes sans aller sur des chaînes industrielles. Effectivement,
Speaker #1
si on peut le faire en dehors de la chaîne de production, c'est plus simple. Mais oui, il y en a qui ont des chaînes pilotes, et dans ce cas-là, ça permet d'avoir cette flexibilité de tester des espaces de paramètres inhabituels. mais qui savent ensuite aller monter un modèle de machine learning, absolument.
Speaker #0
Est-ce que tu as d'autres exemples à nous présenter ?
Speaker #1
Oui, justement, on a en ce moment un projet qui est pile dans ce domaine-là. C'est pour un industriel qui, lui, travaille dans la séparation de terres rares. Et donc, eux ont un simulateur physico-chimique complexe, mais qui ne peut pas être utilisé en production, qui est très lent à calculer, etc. Donc justement, là, on a vraiment appliqué ce scénario. Ils ont pu nous générer tout un tas d'exemples de simulation assez réalistes de leurs procédés. On a entraîné un modèle de machine learning par-dessus. Petite parenthèse, ils n'ont pas encore d'usine, donc on n'a pas pu finitiner le modèle sur des vraies données de production. Ça arrivera dans un second temps. On a pu déjà développer ce premier modèle, ce premier jumeau numérique, sur les données de simulation. Et concrètement, ça marche très bien. Et donc, là, on est en train de développer la partie d'après, la partie optimisation. où donc voilà on va proposer des actions, voir quelle configuration est la meilleure pour maximiser un certain rendement on va dire. Donc là c'est en phase de test auprès de l'industriel, pour l'instant ils sont contents. Donc on va itérer parce que là on a commencé avec peu de paramètres actionnels on va dire, donc une situation un peu plus simple que la vraie vie, mais on va améliorer ça dans le temps pour la rendre plus réaliste. Et la cible c'est de l'intégrer une fois que l'usine est en production dans la vraie vie quoi.
Speaker #0
Je crois que c'est très clair. Merci beaucoup Vincent. Sur base de toutes ces expériences, quelles seraient les 2-3 préconisations que tu pourrais donner à un industriel qui souhaite passer le cap et mettre en place de l'IA pour optimiser ses procédés ?
Speaker #1
La première chose, je pense que la plupart des industriels le font, mais il faut le redire quand même, il faut dès maintenant historiser au maximum possible les données de production, c'est-à-dire les paramètres procédés qui ont vraiment eu lieu, les informations sur les matières premières. Des fois, ce n'est pas forcément bien stocké. caractériser les matières premières qui ont alimenté le procédé au cours du temps et évidemment tous les résultats de sortie de qualité, de rendement, il faut historiser ça au maximum parce que ça a beaucoup de valeur pour notamment créer ce jumeau numérique. Si l'industriel dispose d'un simulateur de procédés, c'est mieux ou bien comme on l'a dit d'une usine pilote, d'un système pilote, c'est parfait pour générer de la donnée un peu en dehors des ranges, des gammes habituelles. Et puis il faut évidemment choisir un procédé. sur lequel il y a des gains importants. Il faut que l'industriel sache que s'il gagne en performance de quelques points, ça a un vrai intérêt pour lui, donc il faut qu'il cible le bon cas d'usage. Et puis ensuite, partir sur une approche itérative, comme ce que j'ai un peu décrit auparavant. Il faut commencer simplement avec peu de paramètres modifiables, puis itérer jusqu'à avoir une solution réaliste. Et puis trouver le bon partenaire pour être accompagné là-dessus, parce que c'est un sujet quand même pas simple. Donc voilà, il faut être accompagné de prestataires en data science. Probayez par exemple, mais qui peuvent être pertinents pour assister l'industriel dans ce cas d'usage qui est important et pas évident à mettre en place.
Speaker #0
Merci beaucoup Vincent, je pense que c'était très instructif sur ces applications industrielles de l'IA. Un plaisir Mathieu. Merci. A bientôt.

About Voice of Industries

“Voice of Industries” features in-depth conversations with the leaders, innovators and experts driving industry transformation. Each episode features stimulating discussions with professionals who are driving significant change in their fields.

This podcast guides listeners through the complex challenges facing industrial companies today, providing detailed analysis and proposing solutions and strategies to overcome them. It informs you about the latest trends and highlights new opportunities that are shaping the future of the industry.

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

About Voice of Industries

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Description

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Transcription

Speaker #0
Bonjour Vincent, merci de ta venue sur Voice of Industry. Aujourd'hui on est ravi de te recevoir pour parler de l'application de l'IA pour l'optimisation des procédés industriels. Alors pour commencer est-ce que tu peux te présenter, nous en dire un peu plus sur ton activité chez Probyes ?
Speaker #1
Bien sûr, bonjour Mathieu et merci beaucoup de l'invitation. Donc moi je suis chez J'ai probabilisé depuis maintenant 8 ans et je suis, on va dire... Lead Data Scientist, donc j'encadre techniquement une équipe d'environ 10 data scientist sur un tas de projets pour ProBias.
Speaker #0
Alors j'ai oublié de préciser mais ce podcast fait partie d'une série de plusieurs podcasts sur les applications d'IA pour l'industrie, fait en collaboration avec les équipes de ProBias. Donc merci à nouveau Vincent d'être avec nous. Pour commencer, est-ce que tu peux nous décrire un peu plus ce que tu entends par optimisation des procédés industriels ?
Speaker #1
Oui, l'idée c'est de... chercher à maximiser une certaine performance, on va dire, qui peut correspondre à de la qualité, à du rendement, ça dépend évidemment du procédé en question, mais le but c'est de maximiser quelque chose, grosso modo, et en pratique, ce que je veux dire par là, c'est idéalement fournir un assistant, entre guillemets, pour le pilotage du procédé industriel en temps réel, finalement, pour maximiser les performances. Concrètement ? Dans certains cas, il faut avoir en tête que quelques gains minimes de performance au sein du procédé industriel peuvent mener à des gains significatifs d'un point de vue euro finalement pour l'industriel. Voilà, donc c'est ça l'objectif, c'est maximiser cette performance. Et même dans la situation où la production est stable finalement, les industriels cherchent souvent à obtenir ce qu'on appelle le golden batch par exemple, si on parle de procédé batch. Donc voilà, avoir la meilleure configuration possible de production.
Speaker #0
Par rapport à ça, tu parles d'assistant, en gros ça va être de l'aide à la décision, ça va être j'imagine aussi modifier des réglages du procédé,
Speaker #1
des recettes, c'est à peu près ça ? dans le procédé, des valeurs de capteurs à modifier, de tel ou tel paramètre, des actionneurs à modifier, de façon à revenir vers une situation qui sera meilleure que la précédente.
Speaker #0
Pourquoi utiliser l'IA pour faire de l'optimisation des procédés ?
Speaker #1
L'idée, c'est que les procédés industriels sont souvent très complexes, avec un très grand nombre de paramètres, de grandeurs physico-chimiques qui sont mesurées. Évidemment, c'est très compliqué de maîtriser parfaitement l'ensemble du procédé. On sait que les responsables qui font le pilotage le connaissent bien. Mais par exemple, la compétence peut se perdre dans le temps. Donc un avantage, c'est que si on peut modéliser ça par de l'IA, on peut rendre plus pérenne finalement cette connaissance. Et surtout, en fait, devant ce très grand nombre, on va dire, de degrés de liberté qu'on s'est procédé, notre cerveau humain, entre guillemets, a des limites, évidemment. Donc via des modèles d'IA, on peut plus facilement généraliser et avoir une vue d'ensemble peut-être meilleure qu'on peut avoir nous-mêmes avec notre réflexion à nous.
Speaker #0
Maintenant qu'on sait que l'IA peut apporter quelque chose, quelle démarche on peut avoir pour utiliser cette IA au service de l'optimisation des procédés ?
Speaker #1
La première étape va être de parvenir à développer ce qu'on va appeler un jumeau numérique du procédé. Concrètement, c'est une sorte de simulateur du procédé qui permet de déterminer quelles seront les caractéristiques de sortie du procédé. ça peut être le rendement, la qualité, c'est très... spécifique à chaque fois, mais connaissant l'ensemble des mesures, l'ensemble des paramètres du procédé, donc les capteurs mesurés par le procédé en temps réel.
Speaker #0
En fait, on va prédire le comportement du procédé grâce à ce...
Speaker #1
On va le modéliser, en fait. On va se dire, grâce à ce jumeau, on sait dire, quand je fais telle action, j'ai tel résultat en sortie. On a besoin de ça. Il faut qu'il soit le plus proche possible de la réalité du procédé, ce qui est un enjeu, j'en parlerai sûrement. Et notamment, il faut qu'on puisse potentiellement... aller avec ces simulateurs au-delà des cas les plus fréquents. Donc pouvoir généraliser à des situations qui seraient nouvelles et très rares, parce que c'est ça qui peut arriver, c'est que demain on a une nouvelle matière première qu'on n'a jamais vue, et idéalement on aimerait pouvoir simuler le comportement du procédé, même dans ces cas qui ne sont pas forcément très bien connus. Et donc concrètement, pour faire ce genre de jumeau numérique, on a on va dire trois grandes possibilités. La possibilité numéro un, ça serait, malheureusement c'est très rare, mais... Pour des procédés qui seraient relativement simples, on pourrait entièrement les modéliser via des équations en fait, et donc avoir une résolution entre guillemets analytique du système, ce qui n'est pas réaliste dans la vraie vie malheureusement. Le cas le plus réaliste, on va dire, c'est via des simulateurs vraiment qui intègrent ces équations physico-chimiques, qui les intègrent et qui les résolvent dans un simulateur de procédés. Grâce à ça, cette petite simulation, c'est finalement en tant que tel un jumeau numérique. Un des problèmes de ces objets-là, c'est qu'ils sont souvent extrêmement gourmands en temps de calcul, ce qui fait qu'on ne peut pas s'en servir dans la vraie vie du procédé en temps réel. Et j'en reviendrai après. D'où l'intérêt de faire des modèles d'IA par-dessus ça. Mais donc, une solution c'est ça, c'est en tout cas d'avoir un jumeau numérique, un simulateur physico-chimique du procédé, option 2. Et option 3, finalement, c'est d'utiliser directement des modèles d'IA comme jumeau numérique. Donc en fait, entraîner un algorithme d'IA à prédire, on va dire, les sorties de notre procédé, connaissant en entrée les capteurs, les mesures qui ont lieu dans la vraie vie. Donc remplacer le simulateur. par un modèle qui a été entraîné, qui a été appris, sur des vrais exemples de procédés.
Speaker #0
Ce qui veut dire que, si je comprends bien, dans les deux premiers cas, comme on a de la physique et de la chimie qui rentrent en ligne de mire dans le simulateur, comme tu dis, ou le jumeau numérique, on va pouvoir aller au-delà de ce qui se fait habituellement au niveau industriel. Par contre, si je comprends bien, dans le dernier cas, on est sur de la donnée historique, donc on va être capable que de connaître ce qu'a vécu le procédé dans son histoire.
Speaker #1
Et c'est un problème parce que souvent, la majorité des procédés heureusement sont stables et sont bien maîtrisés et donc ne sortent que très peu de gammes bien connues en fait voire peu de variabilité donc en fait l'idéal c'est que souvent le simulateur physico-chimique s'il existe il a un gap néanmoins réel entre ce qu'il propose et la vraie vie parce que le simulateur reste une approximation en fait donc la session idéale c'est de pouvoir avoir un simulateur existant mais entraîner par exemple Merci. Un modèle d'IA sur ce simulateur pour le reproduire, pour que le modèle d'IA comprenne finalement la physicochimie du procédé via des exemples issus du simulateur, mais l'entraîner sur le modèle d'IA aussi sur les données de vrais procédés pour réduire ce gap qu'il y a entre la simulation et la vraie vie. Et donc avoir un modèle qui est complet, qui a vu grâce au simulateur plein de cas divers et variés, même des cas qui sont extrêmement marginaux en production, mais pouvoir aussi le fine-tuner sur le modèle d'IA, sur des vraies données de production pour le rendre le plus... plus complet et réaliste possible. Ça, c'est la situation idéale.
Speaker #0
Une situation un peu hybride, mais qui prend le meilleur des deux apports,
Speaker #1
si je comprends bien.
Speaker #0
Et concrètement, comment est-ce qu'on peut développer ce jumeau numérique ? Comment ça se passe ?
Speaker #1
Comment ça se passe ? On va prendre le scénario idéal dont je parlais auparavant. On fait l'hypothèse que l'industriel a un simulateur physico-chimique du procédé, donc il peut générer facilement, entre guillemets, en tout cas, a priori facilement, Tout un tas d'exemples de situations de procédés avec des données capteurs de quelle qu'elle pourrait être dans la vraie vie et des sorties, des outputs du procédé. Donc déjà on va demander aux simulateurs de générer plein d'exemples de ce style là, première chose. Et on va compléter cette base de données par des vrais exemples issus du vrai procédé. Donc il faut que l'industriel ait historisé depuis quelques années par exemple des données de procédés, voilà, tous les paramètres qui ont eu lieu dans le passé, les sorties du procédé, tout ça doit être historisé. Une fois qu'on a ça, on peut entraîner des modèles de machine learning ou de deep learning qui vont prendre en entrée l'ensemble des capteurs au cours du temps, par exemple, et prétire les sorties du procédé. Et une fois qu'on a ça, finalement, on a notre jumeau numérique, entre guillemets, qui s'est bien généralisé grâce à nos simulations, et qui a l'avantage d'être très rapide. En temps de réponse, j'en parlerai après, mais c'est un point essentiel pour pouvoir s'en servir, pour vraiment optimiser ensuite, dans la vraie vie, le procédé.
Speaker #0
Alors j'ai une question qui est un peu technique, mais je pense qui peut intéresser les gens qui sont un peu experts en génie des procédés et qui nous écoutent. Ça marche aussi bien sur des modèles, des simulateurs statiques, mais est-ce que ça marche également sur les approches dynamiques du procédé ?
Speaker #1
Oui, la question va être de comment intégrer cet aspect dynamique, et notamment l'aspect temporel, du coup, est critique. Pour l'aspect dynamique, les deux sont faisables. Il faut, dans l'aspect dynamique, ça veut dire qu'on a besoin d'avoir, généralement, on va dire, un passé assez significatif pour garder en tête dans le modèle, entre guillemets, ce qui s'est passé dans les N dernières heures, par exemple, puisqu'on sait que c'est un aspect dynamique, on peut avoir de l'inertie, par exemple, et donc on a besoin d'avoir le comportement dans les temps un petit peu passés pour alimenter le modèle, pour sa prédiction de l'état d'après. Donc c'est faisable, mais il faut le prendre en compte dans la modélisation machine learning.
Speaker #0
Ça amène un peu plus de complexité. Voilà,
Speaker #1
c'est un peu plus compliqué, mais c'est faisable, absolument.
Speaker #0
On vient de passer un peu de temps à parler du jumeau numérique. Mais si je comprends bien, le jumeau numérique, il va nous permettre de prédire comment se comporte le process. On n'est pas encore à l'optimisme. Comment est-ce qu'on se sert de ce jumeau numérique pour optimiser en temps réel le procédé ?
Speaker #1
En fait, l'idée, c'est qu'une fois qu'on a ça, on se ramène à une sorte de problème d'optimisation sous contrainte, puisqu'on va se dire, très bien, maintenant, ce jeu numérique me permet de savoir ce qui va se passer dans mon procédé si je fais telle ou telle action. Si je modifie tel paramètre, je sais prédire, entre guillemets, simuler ce qui va arriver. Donc, maintenant qu'on a ça, on peut se dire, tiens, en production, j'ai une nouvelle situation qui arrive, je change une matière première, admettons. Et bien je vais pouvoir en fait, par exemple scanner mon simulateur, tester différents paramètres d'entrée, différentes actions possibles dans mon simulateur, dans mon jumeau numérique, et voir laquelle maximise ma performance. Évidemment il y a des contraintes, on sait qu'on ne peut pas faire n'importe quoi dans un système en production. Il y a des paramètres qu'on ne peut pas modifier, il y en a qui sont fortement corrélés, il y en a qui ont des limites, qui ont des contraintes. Donc c'est pour ça que je parle d'optimisation sous contraintes, c'est ça vraiment, c'est de se dire, j'ai le simulateur, comment... S'en servir pour trouver la meilleure solution, mais certaines solutions ne sont pas autorisées finalement, donc on doit contraindre le périmètre. Et ça du coup, on a besoin d'une très forte interaction avec le métier, parce que le métier qui lui maîtrise son procédé, c'est nous dire, ben voilà, ça c'est une contrainte, je ne peux pas dépasser tel bord dans le procédé, je ne peux pas modifier aussi rapidement ce paramètre-là, ça n'a pas de sens, ce n'est pas possible techniquement. Donc on doit intégrer ces contraintes, mais une fois qu'on peut le faire, ça va pouvoir marcher, on va pouvoir en temps réel, à la fin finalement, proposer une solution Rapidement, puisque grâce au modèle d'IA, finalement, on n'a pas les contraintes de temps de calcul très long que peuvent avoir des vrais simulateurs complets. Via les modèles Machine Learning et Deep Learning, les inférences sont très rapides, donc on peut vraiment tester en temps réel plein de combinaisons et trouver la meilleure en un temps qui est raisonnable pour la vraie production.
Speaker #0
Ok, c'est très clair. Mais pour aller un peu plus dans le concret, est-ce que tu peux nous donner... Quelques exemples de réalisations que vous avez pu faire dans ce domaine ?
Speaker #1
Concrètement, on a commencé sur ce sujet-là il y a quelques années, déjà maintenant en ProBias, environ en 2019 en particulier. On avait attaqué avec un projet financé par l'Europe, un projet H2020 qui s'appelait Monsun, et qui impliquait Riotinto, entreprise de production d'aluminium, sur le site de Dunkerque, qui a été d'ailleurs racheté depuis par Aluminium Dunkerque. En tout cas, l'idée, c'était de chercher à optimiser un procédé interne de l'usine, qui était la production d'anodes. Il faut comprendre que dans le procédé de production d'aluminium, on a une électrolyse qui se fait à un moment donné dans le procédé, et donc qui consomme des anodes. Et donc l'usine produit ses propres anodes pour ce procédé. Et l'idée, c'était qu'en fait, si la qualité des anodes est la meilleure possible, pour l'électrolyse qui a lieu à la fin de la chaîne de production, les rendements s'améliorent. Et c'est très significatif si on peut maximiser la qualité, la densité dans ce cas-là, anodique. Donc on a voulu mettre ça en place à l'époque. Là, on n'a pas de simulateur. Donc c'était une difficulté, c'est qu'on a dû uniquement entraîner notre géométrie numérique sur des données passées. Alors ils avaient plus de 10 ans d'historique, donc ça donnait quand même pas mal d'exemples assez différents pour construire un modèle assez robuste. Donc c'est ce qu'on a fait à l'époque. Donc ce modèle de machine learning a été entraîné à prédire la densité anodique connaissant Bon. les paramètres procédés. Il marchait bien, il avait des bonnes performances de prédiction, et donc on s'en est servi comme jumeau numérique. Et donc concrètement, ce qu'on a fait, c'est qu'on a déployé chez Aluminium Dunkerque cet outil qui, concrètement, en temps réel, propose jusqu'à trois actions, donc trois modifications de paramètres procédés qui permettent de revenir à une situation de densité qui est optimale si elle avait été dégradée auparavant de par des conditions diverses et variées.
Speaker #0
Voilà. Ce qui me fait penser à un sujet qu'on n'a pas abordé précédemment, mais si on n'a pas la variabilité ou la richesse sur nos historiques de données, et qu'on n'a pas ce simulateur, on va dire, physico-chimique comme tu le décrivais, est-ce que ça arrive que les industriels aient des approches de type plan d'expérience ?
Speaker #1
Oui, en fait c'est une solution, effectivement, parce que si on veut aller explorer des espaces inhabituels, une façon de le faire, c'est ça, c'est mettre en place des plans d'expérience. qui sont quand même sous contrôle, donc on ne va pas faire n'importe quoi. Les industriels vont choisir quels paramètres à aller explorer, mais ça permet de générer de la donnée intéressante qui permet d'ensuite entraîner par-dessus des modèles machine learning. Donc oui, ça arrive de temps en temps.
Speaker #0
Et potentiellement, j'imagine, s'ils ont des installations pilotes, ils peuvent même les faire sur des installations pilotes sans aller sur des chaînes industrielles. Effectivement,
Speaker #1
si on peut le faire en dehors de la chaîne de production, c'est plus simple. Mais oui, il y en a qui ont des chaînes pilotes, et dans ce cas-là, ça permet d'avoir cette flexibilité de tester des espaces de paramètres inhabituels. mais qui savent ensuite aller monter un modèle de machine learning, absolument.
Speaker #0
Est-ce que tu as d'autres exemples à nous présenter ?
Speaker #1
Oui, justement, on a en ce moment un projet qui est pile dans ce domaine-là. C'est pour un industriel qui, lui, travaille dans la séparation de terres rares. Et donc, eux ont un simulateur physico-chimique complexe, mais qui ne peut pas être utilisé en production, qui est très lent à calculer, etc. Donc justement, là, on a vraiment appliqué ce scénario. Ils ont pu nous générer tout un tas d'exemples de simulation assez réalistes de leurs procédés. On a entraîné un modèle de machine learning par-dessus. Petite parenthèse, ils n'ont pas encore d'usine, donc on n'a pas pu finitiner le modèle sur des vraies données de production. Ça arrivera dans un second temps. On a pu déjà développer ce premier modèle, ce premier jumeau numérique, sur les données de simulation. Et concrètement, ça marche très bien. Et donc, là, on est en train de développer la partie d'après, la partie optimisation. où donc voilà on va proposer des actions, voir quelle configuration est la meilleure pour maximiser un certain rendement on va dire. Donc là c'est en phase de test auprès de l'industriel, pour l'instant ils sont contents. Donc on va itérer parce que là on a commencé avec peu de paramètres actionnels on va dire, donc une situation un peu plus simple que la vraie vie, mais on va améliorer ça dans le temps pour la rendre plus réaliste. Et la cible c'est de l'intégrer une fois que l'usine est en production dans la vraie vie quoi.
Speaker #0
Je crois que c'est très clair. Merci beaucoup Vincent. Sur base de toutes ces expériences, quelles seraient les 2-3 préconisations que tu pourrais donner à un industriel qui souhaite passer le cap et mettre en place de l'IA pour optimiser ses procédés ?
Speaker #1
La première chose, je pense que la plupart des industriels le font, mais il faut le redire quand même, il faut dès maintenant historiser au maximum possible les données de production, c'est-à-dire les paramètres procédés qui ont vraiment eu lieu, les informations sur les matières premières. Des fois, ce n'est pas forcément bien stocké. caractériser les matières premières qui ont alimenté le procédé au cours du temps et évidemment tous les résultats de sortie de qualité, de rendement, il faut historiser ça au maximum parce que ça a beaucoup de valeur pour notamment créer ce jumeau numérique. Si l'industriel dispose d'un simulateur de procédés, c'est mieux ou bien comme on l'a dit d'une usine pilote, d'un système pilote, c'est parfait pour générer de la donnée un peu en dehors des ranges, des gammes habituelles. Et puis il faut évidemment choisir un procédé. sur lequel il y a des gains importants. Il faut que l'industriel sache que s'il gagne en performance de quelques points, ça a un vrai intérêt pour lui, donc il faut qu'il cible le bon cas d'usage. Et puis ensuite, partir sur une approche itérative, comme ce que j'ai un peu décrit auparavant. Il faut commencer simplement avec peu de paramètres modifiables, puis itérer jusqu'à avoir une solution réaliste. Et puis trouver le bon partenaire pour être accompagné là-dessus, parce que c'est un sujet quand même pas simple. Donc voilà, il faut être accompagné de prestataires en data science. Probayez par exemple, mais qui peuvent être pertinents pour assister l'industriel dans ce cas d'usage qui est important et pas évident à mettre en place.
Speaker #0
Merci beaucoup Vincent, je pense que c'était très instructif sur ces applications industrielles de l'IA. Un plaisir Mathieu. Merci. A bientôt.

About Voice of Industries

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

About Voice of Industries

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Embed

You may also like

Description

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Transcription

Speaker #0
Bonjour Vincent, merci de ta venue sur Voice of Industry. Aujourd'hui on est ravi de te recevoir pour parler de l'application de l'IA pour l'optimisation des procédés industriels. Alors pour commencer est-ce que tu peux te présenter, nous en dire un peu plus sur ton activité chez Probyes ?
Speaker #1
Bien sûr, bonjour Mathieu et merci beaucoup de l'invitation. Donc moi je suis chez J'ai probabilisé depuis maintenant 8 ans et je suis, on va dire... Lead Data Scientist, donc j'encadre techniquement une équipe d'environ 10 data scientist sur un tas de projets pour ProBias.
Speaker #0
Alors j'ai oublié de préciser mais ce podcast fait partie d'une série de plusieurs podcasts sur les applications d'IA pour l'industrie, fait en collaboration avec les équipes de ProBias. Donc merci à nouveau Vincent d'être avec nous. Pour commencer, est-ce que tu peux nous décrire un peu plus ce que tu entends par optimisation des procédés industriels ?
Speaker #1
Oui, l'idée c'est de... chercher à maximiser une certaine performance, on va dire, qui peut correspondre à de la qualité, à du rendement, ça dépend évidemment du procédé en question, mais le but c'est de maximiser quelque chose, grosso modo, et en pratique, ce que je veux dire par là, c'est idéalement fournir un assistant, entre guillemets, pour le pilotage du procédé industriel en temps réel, finalement, pour maximiser les performances. Concrètement ? Dans certains cas, il faut avoir en tête que quelques gains minimes de performance au sein du procédé industriel peuvent mener à des gains significatifs d'un point de vue euro finalement pour l'industriel. Voilà, donc c'est ça l'objectif, c'est maximiser cette performance. Et même dans la situation où la production est stable finalement, les industriels cherchent souvent à obtenir ce qu'on appelle le golden batch par exemple, si on parle de procédé batch. Donc voilà, avoir la meilleure configuration possible de production.
Speaker #0
Par rapport à ça, tu parles d'assistant, en gros ça va être de l'aide à la décision, ça va être j'imagine aussi modifier des réglages du procédé,
Speaker #1
des recettes, c'est à peu près ça ? dans le procédé, des valeurs de capteurs à modifier, de tel ou tel paramètre, des actionneurs à modifier, de façon à revenir vers une situation qui sera meilleure que la précédente.
Speaker #0
Pourquoi utiliser l'IA pour faire de l'optimisation des procédés ?
Speaker #1
L'idée, c'est que les procédés industriels sont souvent très complexes, avec un très grand nombre de paramètres, de grandeurs physico-chimiques qui sont mesurées. Évidemment, c'est très compliqué de maîtriser parfaitement l'ensemble du procédé. On sait que les responsables qui font le pilotage le connaissent bien. Mais par exemple, la compétence peut se perdre dans le temps. Donc un avantage, c'est que si on peut modéliser ça par de l'IA, on peut rendre plus pérenne finalement cette connaissance. Et surtout, en fait, devant ce très grand nombre, on va dire, de degrés de liberté qu'on s'est procédé, notre cerveau humain, entre guillemets, a des limites, évidemment. Donc via des modèles d'IA, on peut plus facilement généraliser et avoir une vue d'ensemble peut-être meilleure qu'on peut avoir nous-mêmes avec notre réflexion à nous.
Speaker #0
Maintenant qu'on sait que l'IA peut apporter quelque chose, quelle démarche on peut avoir pour utiliser cette IA au service de l'optimisation des procédés ?
Speaker #1
La première étape va être de parvenir à développer ce qu'on va appeler un jumeau numérique du procédé. Concrètement, c'est une sorte de simulateur du procédé qui permet de déterminer quelles seront les caractéristiques de sortie du procédé. ça peut être le rendement, la qualité, c'est très... spécifique à chaque fois, mais connaissant l'ensemble des mesures, l'ensemble des paramètres du procédé, donc les capteurs mesurés par le procédé en temps réel.
Speaker #0
En fait, on va prédire le comportement du procédé grâce à ce...
Speaker #1
On va le modéliser, en fait. On va se dire, grâce à ce jumeau, on sait dire, quand je fais telle action, j'ai tel résultat en sortie. On a besoin de ça. Il faut qu'il soit le plus proche possible de la réalité du procédé, ce qui est un enjeu, j'en parlerai sûrement. Et notamment, il faut qu'on puisse potentiellement... aller avec ces simulateurs au-delà des cas les plus fréquents. Donc pouvoir généraliser à des situations qui seraient nouvelles et très rares, parce que c'est ça qui peut arriver, c'est que demain on a une nouvelle matière première qu'on n'a jamais vue, et idéalement on aimerait pouvoir simuler le comportement du procédé, même dans ces cas qui ne sont pas forcément très bien connus. Et donc concrètement, pour faire ce genre de jumeau numérique, on a on va dire trois grandes possibilités. La possibilité numéro un, ça serait, malheureusement c'est très rare, mais... Pour des procédés qui seraient relativement simples, on pourrait entièrement les modéliser via des équations en fait, et donc avoir une résolution entre guillemets analytique du système, ce qui n'est pas réaliste dans la vraie vie malheureusement. Le cas le plus réaliste, on va dire, c'est via des simulateurs vraiment qui intègrent ces équations physico-chimiques, qui les intègrent et qui les résolvent dans un simulateur de procédés. Grâce à ça, cette petite simulation, c'est finalement en tant que tel un jumeau numérique. Un des problèmes de ces objets-là, c'est qu'ils sont souvent extrêmement gourmands en temps de calcul, ce qui fait qu'on ne peut pas s'en servir dans la vraie vie du procédé en temps réel. Et j'en reviendrai après. D'où l'intérêt de faire des modèles d'IA par-dessus ça. Mais donc, une solution c'est ça, c'est en tout cas d'avoir un jumeau numérique, un simulateur physico-chimique du procédé, option 2. Et option 3, finalement, c'est d'utiliser directement des modèles d'IA comme jumeau numérique. Donc en fait, entraîner un algorithme d'IA à prédire, on va dire, les sorties de notre procédé, connaissant en entrée les capteurs, les mesures qui ont lieu dans la vraie vie. Donc remplacer le simulateur. par un modèle qui a été entraîné, qui a été appris, sur des vrais exemples de procédés.
Speaker #0
Ce qui veut dire que, si je comprends bien, dans les deux premiers cas, comme on a de la physique et de la chimie qui rentrent en ligne de mire dans le simulateur, comme tu dis, ou le jumeau numérique, on va pouvoir aller au-delà de ce qui se fait habituellement au niveau industriel. Par contre, si je comprends bien, dans le dernier cas, on est sur de la donnée historique, donc on va être capable que de connaître ce qu'a vécu le procédé dans son histoire.
Speaker #1
Et c'est un problème parce que souvent, la majorité des procédés heureusement sont stables et sont bien maîtrisés et donc ne sortent que très peu de gammes bien connues en fait voire peu de variabilité donc en fait l'idéal c'est que souvent le simulateur physico-chimique s'il existe il a un gap néanmoins réel entre ce qu'il propose et la vraie vie parce que le simulateur reste une approximation en fait donc la session idéale c'est de pouvoir avoir un simulateur existant mais entraîner par exemple Merci. Un modèle d'IA sur ce simulateur pour le reproduire, pour que le modèle d'IA comprenne finalement la physicochimie du procédé via des exemples issus du simulateur, mais l'entraîner sur le modèle d'IA aussi sur les données de vrais procédés pour réduire ce gap qu'il y a entre la simulation et la vraie vie. Et donc avoir un modèle qui est complet, qui a vu grâce au simulateur plein de cas divers et variés, même des cas qui sont extrêmement marginaux en production, mais pouvoir aussi le fine-tuner sur le modèle d'IA, sur des vraies données de production pour le rendre le plus... plus complet et réaliste possible. Ça, c'est la situation idéale.
Speaker #0
Une situation un peu hybride, mais qui prend le meilleur des deux apports,
Speaker #1
si je comprends bien.
Speaker #0
Et concrètement, comment est-ce qu'on peut développer ce jumeau numérique ? Comment ça se passe ?
Speaker #1
Comment ça se passe ? On va prendre le scénario idéal dont je parlais auparavant. On fait l'hypothèse que l'industriel a un simulateur physico-chimique du procédé, donc il peut générer facilement, entre guillemets, en tout cas, a priori facilement, Tout un tas d'exemples de situations de procédés avec des données capteurs de quelle qu'elle pourrait être dans la vraie vie et des sorties, des outputs du procédé. Donc déjà on va demander aux simulateurs de générer plein d'exemples de ce style là, première chose. Et on va compléter cette base de données par des vrais exemples issus du vrai procédé. Donc il faut que l'industriel ait historisé depuis quelques années par exemple des données de procédés, voilà, tous les paramètres qui ont eu lieu dans le passé, les sorties du procédé, tout ça doit être historisé. Une fois qu'on a ça, on peut entraîner des modèles de machine learning ou de deep learning qui vont prendre en entrée l'ensemble des capteurs au cours du temps, par exemple, et prétire les sorties du procédé. Et une fois qu'on a ça, finalement, on a notre jumeau numérique, entre guillemets, qui s'est bien généralisé grâce à nos simulations, et qui a l'avantage d'être très rapide. En temps de réponse, j'en parlerai après, mais c'est un point essentiel pour pouvoir s'en servir, pour vraiment optimiser ensuite, dans la vraie vie, le procédé.
Speaker #0
Alors j'ai une question qui est un peu technique, mais je pense qui peut intéresser les gens qui sont un peu experts en génie des procédés et qui nous écoutent. Ça marche aussi bien sur des modèles, des simulateurs statiques, mais est-ce que ça marche également sur les approches dynamiques du procédé ?
Speaker #1
Oui, la question va être de comment intégrer cet aspect dynamique, et notamment l'aspect temporel, du coup, est critique. Pour l'aspect dynamique, les deux sont faisables. Il faut, dans l'aspect dynamique, ça veut dire qu'on a besoin d'avoir, généralement, on va dire, un passé assez significatif pour garder en tête dans le modèle, entre guillemets, ce qui s'est passé dans les N dernières heures, par exemple, puisqu'on sait que c'est un aspect dynamique, on peut avoir de l'inertie, par exemple, et donc on a besoin d'avoir le comportement dans les temps un petit peu passés pour alimenter le modèle, pour sa prédiction de l'état d'après. Donc c'est faisable, mais il faut le prendre en compte dans la modélisation machine learning.
Speaker #0
Ça amène un peu plus de complexité. Voilà,
Speaker #1
c'est un peu plus compliqué, mais c'est faisable, absolument.
Speaker #0
On vient de passer un peu de temps à parler du jumeau numérique. Mais si je comprends bien, le jumeau numérique, il va nous permettre de prédire comment se comporte le process. On n'est pas encore à l'optimisme. Comment est-ce qu'on se sert de ce jumeau numérique pour optimiser en temps réel le procédé ?
Speaker #1
En fait, l'idée, c'est qu'une fois qu'on a ça, on se ramène à une sorte de problème d'optimisation sous contrainte, puisqu'on va se dire, très bien, maintenant, ce jeu numérique me permet de savoir ce qui va se passer dans mon procédé si je fais telle ou telle action. Si je modifie tel paramètre, je sais prédire, entre guillemets, simuler ce qui va arriver. Donc, maintenant qu'on a ça, on peut se dire, tiens, en production, j'ai une nouvelle situation qui arrive, je change une matière première, admettons. Et bien je vais pouvoir en fait, par exemple scanner mon simulateur, tester différents paramètres d'entrée, différentes actions possibles dans mon simulateur, dans mon jumeau numérique, et voir laquelle maximise ma performance. Évidemment il y a des contraintes, on sait qu'on ne peut pas faire n'importe quoi dans un système en production. Il y a des paramètres qu'on ne peut pas modifier, il y en a qui sont fortement corrélés, il y en a qui ont des limites, qui ont des contraintes. Donc c'est pour ça que je parle d'optimisation sous contraintes, c'est ça vraiment, c'est de se dire, j'ai le simulateur, comment... S'en servir pour trouver la meilleure solution, mais certaines solutions ne sont pas autorisées finalement, donc on doit contraindre le périmètre. Et ça du coup, on a besoin d'une très forte interaction avec le métier, parce que le métier qui lui maîtrise son procédé, c'est nous dire, ben voilà, ça c'est une contrainte, je ne peux pas dépasser tel bord dans le procédé, je ne peux pas modifier aussi rapidement ce paramètre-là, ça n'a pas de sens, ce n'est pas possible techniquement. Donc on doit intégrer ces contraintes, mais une fois qu'on peut le faire, ça va pouvoir marcher, on va pouvoir en temps réel, à la fin finalement, proposer une solution Rapidement, puisque grâce au modèle d'IA, finalement, on n'a pas les contraintes de temps de calcul très long que peuvent avoir des vrais simulateurs complets. Via les modèles Machine Learning et Deep Learning, les inférences sont très rapides, donc on peut vraiment tester en temps réel plein de combinaisons et trouver la meilleure en un temps qui est raisonnable pour la vraie production.
Speaker #0
Ok, c'est très clair. Mais pour aller un peu plus dans le concret, est-ce que tu peux nous donner... Quelques exemples de réalisations que vous avez pu faire dans ce domaine ?
Speaker #1
Concrètement, on a commencé sur ce sujet-là il y a quelques années, déjà maintenant en ProBias, environ en 2019 en particulier. On avait attaqué avec un projet financé par l'Europe, un projet H2020 qui s'appelait Monsun, et qui impliquait Riotinto, entreprise de production d'aluminium, sur le site de Dunkerque, qui a été d'ailleurs racheté depuis par Aluminium Dunkerque. En tout cas, l'idée, c'était de chercher à optimiser un procédé interne de l'usine, qui était la production d'anodes. Il faut comprendre que dans le procédé de production d'aluminium, on a une électrolyse qui se fait à un moment donné dans le procédé, et donc qui consomme des anodes. Et donc l'usine produit ses propres anodes pour ce procédé. Et l'idée, c'était qu'en fait, si la qualité des anodes est la meilleure possible, pour l'électrolyse qui a lieu à la fin de la chaîne de production, les rendements s'améliorent. Et c'est très significatif si on peut maximiser la qualité, la densité dans ce cas-là, anodique. Donc on a voulu mettre ça en place à l'époque. Là, on n'a pas de simulateur. Donc c'était une difficulté, c'est qu'on a dû uniquement entraîner notre géométrie numérique sur des données passées. Alors ils avaient plus de 10 ans d'historique, donc ça donnait quand même pas mal d'exemples assez différents pour construire un modèle assez robuste. Donc c'est ce qu'on a fait à l'époque. Donc ce modèle de machine learning a été entraîné à prédire la densité anodique connaissant Bon. les paramètres procédés. Il marchait bien, il avait des bonnes performances de prédiction, et donc on s'en est servi comme jumeau numérique. Et donc concrètement, ce qu'on a fait, c'est qu'on a déployé chez Aluminium Dunkerque cet outil qui, concrètement, en temps réel, propose jusqu'à trois actions, donc trois modifications de paramètres procédés qui permettent de revenir à une situation de densité qui est optimale si elle avait été dégradée auparavant de par des conditions diverses et variées.
Speaker #0
Voilà. Ce qui me fait penser à un sujet qu'on n'a pas abordé précédemment, mais si on n'a pas la variabilité ou la richesse sur nos historiques de données, et qu'on n'a pas ce simulateur, on va dire, physico-chimique comme tu le décrivais, est-ce que ça arrive que les industriels aient des approches de type plan d'expérience ?
Speaker #1
Oui, en fait c'est une solution, effectivement, parce que si on veut aller explorer des espaces inhabituels, une façon de le faire, c'est ça, c'est mettre en place des plans d'expérience. qui sont quand même sous contrôle, donc on ne va pas faire n'importe quoi. Les industriels vont choisir quels paramètres à aller explorer, mais ça permet de générer de la donnée intéressante qui permet d'ensuite entraîner par-dessus des modèles machine learning. Donc oui, ça arrive de temps en temps.
Speaker #0
Et potentiellement, j'imagine, s'ils ont des installations pilotes, ils peuvent même les faire sur des installations pilotes sans aller sur des chaînes industrielles. Effectivement,
Speaker #1
si on peut le faire en dehors de la chaîne de production, c'est plus simple. Mais oui, il y en a qui ont des chaînes pilotes, et dans ce cas-là, ça permet d'avoir cette flexibilité de tester des espaces de paramètres inhabituels. mais qui savent ensuite aller monter un modèle de machine learning, absolument.
Speaker #0
Est-ce que tu as d'autres exemples à nous présenter ?
Speaker #1
Oui, justement, on a en ce moment un projet qui est pile dans ce domaine-là. C'est pour un industriel qui, lui, travaille dans la séparation de terres rares. Et donc, eux ont un simulateur physico-chimique complexe, mais qui ne peut pas être utilisé en production, qui est très lent à calculer, etc. Donc justement, là, on a vraiment appliqué ce scénario. Ils ont pu nous générer tout un tas d'exemples de simulation assez réalistes de leurs procédés. On a entraîné un modèle de machine learning par-dessus. Petite parenthèse, ils n'ont pas encore d'usine, donc on n'a pas pu finitiner le modèle sur des vraies données de production. Ça arrivera dans un second temps. On a pu déjà développer ce premier modèle, ce premier jumeau numérique, sur les données de simulation. Et concrètement, ça marche très bien. Et donc, là, on est en train de développer la partie d'après, la partie optimisation. où donc voilà on va proposer des actions, voir quelle configuration est la meilleure pour maximiser un certain rendement on va dire. Donc là c'est en phase de test auprès de l'industriel, pour l'instant ils sont contents. Donc on va itérer parce que là on a commencé avec peu de paramètres actionnels on va dire, donc une situation un peu plus simple que la vraie vie, mais on va améliorer ça dans le temps pour la rendre plus réaliste. Et la cible c'est de l'intégrer une fois que l'usine est en production dans la vraie vie quoi.
Speaker #0
Je crois que c'est très clair. Merci beaucoup Vincent. Sur base de toutes ces expériences, quelles seraient les 2-3 préconisations que tu pourrais donner à un industriel qui souhaite passer le cap et mettre en place de l'IA pour optimiser ses procédés ?
Speaker #1
La première chose, je pense que la plupart des industriels le font, mais il faut le redire quand même, il faut dès maintenant historiser au maximum possible les données de production, c'est-à-dire les paramètres procédés qui ont vraiment eu lieu, les informations sur les matières premières. Des fois, ce n'est pas forcément bien stocké. caractériser les matières premières qui ont alimenté le procédé au cours du temps et évidemment tous les résultats de sortie de qualité, de rendement, il faut historiser ça au maximum parce que ça a beaucoup de valeur pour notamment créer ce jumeau numérique. Si l'industriel dispose d'un simulateur de procédés, c'est mieux ou bien comme on l'a dit d'une usine pilote, d'un système pilote, c'est parfait pour générer de la donnée un peu en dehors des ranges, des gammes habituelles. Et puis il faut évidemment choisir un procédé. sur lequel il y a des gains importants. Il faut que l'industriel sache que s'il gagne en performance de quelques points, ça a un vrai intérêt pour lui, donc il faut qu'il cible le bon cas d'usage. Et puis ensuite, partir sur une approche itérative, comme ce que j'ai un peu décrit auparavant. Il faut commencer simplement avec peu de paramètres modifiables, puis itérer jusqu'à avoir une solution réaliste. Et puis trouver le bon partenaire pour être accompagné là-dessus, parce que c'est un sujet quand même pas simple. Donc voilà, il faut être accompagné de prestataires en data science. Probayez par exemple, mais qui peuvent être pertinents pour assister l'industriel dans ce cas d'usage qui est important et pas évident à mettre en place.
Speaker #0
Merci beaucoup Vincent, je pense que c'était très instructif sur ces applications industrielles de l'IA. Un plaisir Mathieu. Merci. A bientôt.

About Voice of Industries

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

About Voice of Industries

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Description

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Transcription

Speaker #0
Bonjour Vincent, merci de ta venue sur Voice of Industry. Aujourd'hui on est ravi de te recevoir pour parler de l'application de l'IA pour l'optimisation des procédés industriels. Alors pour commencer est-ce que tu peux te présenter, nous en dire un peu plus sur ton activité chez Probyes ?
Speaker #1
Bien sûr, bonjour Mathieu et merci beaucoup de l'invitation. Donc moi je suis chez J'ai probabilisé depuis maintenant 8 ans et je suis, on va dire... Lead Data Scientist, donc j'encadre techniquement une équipe d'environ 10 data scientist sur un tas de projets pour ProBias.
Speaker #0
Alors j'ai oublié de préciser mais ce podcast fait partie d'une série de plusieurs podcasts sur les applications d'IA pour l'industrie, fait en collaboration avec les équipes de ProBias. Donc merci à nouveau Vincent d'être avec nous. Pour commencer, est-ce que tu peux nous décrire un peu plus ce que tu entends par optimisation des procédés industriels ?
Speaker #1
Oui, l'idée c'est de... chercher à maximiser une certaine performance, on va dire, qui peut correspondre à de la qualité, à du rendement, ça dépend évidemment du procédé en question, mais le but c'est de maximiser quelque chose, grosso modo, et en pratique, ce que je veux dire par là, c'est idéalement fournir un assistant, entre guillemets, pour le pilotage du procédé industriel en temps réel, finalement, pour maximiser les performances. Concrètement ? Dans certains cas, il faut avoir en tête que quelques gains minimes de performance au sein du procédé industriel peuvent mener à des gains significatifs d'un point de vue euro finalement pour l'industriel. Voilà, donc c'est ça l'objectif, c'est maximiser cette performance. Et même dans la situation où la production est stable finalement, les industriels cherchent souvent à obtenir ce qu'on appelle le golden batch par exemple, si on parle de procédé batch. Donc voilà, avoir la meilleure configuration possible de production.
Speaker #0
Par rapport à ça, tu parles d'assistant, en gros ça va être de l'aide à la décision, ça va être j'imagine aussi modifier des réglages du procédé,
Speaker #1
des recettes, c'est à peu près ça ? dans le procédé, des valeurs de capteurs à modifier, de tel ou tel paramètre, des actionneurs à modifier, de façon à revenir vers une situation qui sera meilleure que la précédente.
Speaker #0
Pourquoi utiliser l'IA pour faire de l'optimisation des procédés ?
Speaker #1
L'idée, c'est que les procédés industriels sont souvent très complexes, avec un très grand nombre de paramètres, de grandeurs physico-chimiques qui sont mesurées. Évidemment, c'est très compliqué de maîtriser parfaitement l'ensemble du procédé. On sait que les responsables qui font le pilotage le connaissent bien. Mais par exemple, la compétence peut se perdre dans le temps. Donc un avantage, c'est que si on peut modéliser ça par de l'IA, on peut rendre plus pérenne finalement cette connaissance. Et surtout, en fait, devant ce très grand nombre, on va dire, de degrés de liberté qu'on s'est procédé, notre cerveau humain, entre guillemets, a des limites, évidemment. Donc via des modèles d'IA, on peut plus facilement généraliser et avoir une vue d'ensemble peut-être meilleure qu'on peut avoir nous-mêmes avec notre réflexion à nous.
Speaker #0
Maintenant qu'on sait que l'IA peut apporter quelque chose, quelle démarche on peut avoir pour utiliser cette IA au service de l'optimisation des procédés ?
Speaker #1
La première étape va être de parvenir à développer ce qu'on va appeler un jumeau numérique du procédé. Concrètement, c'est une sorte de simulateur du procédé qui permet de déterminer quelles seront les caractéristiques de sortie du procédé. ça peut être le rendement, la qualité, c'est très... spécifique à chaque fois, mais connaissant l'ensemble des mesures, l'ensemble des paramètres du procédé, donc les capteurs mesurés par le procédé en temps réel.
Speaker #0
En fait, on va prédire le comportement du procédé grâce à ce...
Speaker #1
On va le modéliser, en fait. On va se dire, grâce à ce jumeau, on sait dire, quand je fais telle action, j'ai tel résultat en sortie. On a besoin de ça. Il faut qu'il soit le plus proche possible de la réalité du procédé, ce qui est un enjeu, j'en parlerai sûrement. Et notamment, il faut qu'on puisse potentiellement... aller avec ces simulateurs au-delà des cas les plus fréquents. Donc pouvoir généraliser à des situations qui seraient nouvelles et très rares, parce que c'est ça qui peut arriver, c'est que demain on a une nouvelle matière première qu'on n'a jamais vue, et idéalement on aimerait pouvoir simuler le comportement du procédé, même dans ces cas qui ne sont pas forcément très bien connus. Et donc concrètement, pour faire ce genre de jumeau numérique, on a on va dire trois grandes possibilités. La possibilité numéro un, ça serait, malheureusement c'est très rare, mais... Pour des procédés qui seraient relativement simples, on pourrait entièrement les modéliser via des équations en fait, et donc avoir une résolution entre guillemets analytique du système, ce qui n'est pas réaliste dans la vraie vie malheureusement. Le cas le plus réaliste, on va dire, c'est via des simulateurs vraiment qui intègrent ces équations physico-chimiques, qui les intègrent et qui les résolvent dans un simulateur de procédés. Grâce à ça, cette petite simulation, c'est finalement en tant que tel un jumeau numérique. Un des problèmes de ces objets-là, c'est qu'ils sont souvent extrêmement gourmands en temps de calcul, ce qui fait qu'on ne peut pas s'en servir dans la vraie vie du procédé en temps réel. Et j'en reviendrai après. D'où l'intérêt de faire des modèles d'IA par-dessus ça. Mais donc, une solution c'est ça, c'est en tout cas d'avoir un jumeau numérique, un simulateur physico-chimique du procédé, option 2. Et option 3, finalement, c'est d'utiliser directement des modèles d'IA comme jumeau numérique. Donc en fait, entraîner un algorithme d'IA à prédire, on va dire, les sorties de notre procédé, connaissant en entrée les capteurs, les mesures qui ont lieu dans la vraie vie. Donc remplacer le simulateur. par un modèle qui a été entraîné, qui a été appris, sur des vrais exemples de procédés.
Speaker #0
Ce qui veut dire que, si je comprends bien, dans les deux premiers cas, comme on a de la physique et de la chimie qui rentrent en ligne de mire dans le simulateur, comme tu dis, ou le jumeau numérique, on va pouvoir aller au-delà de ce qui se fait habituellement au niveau industriel. Par contre, si je comprends bien, dans le dernier cas, on est sur de la donnée historique, donc on va être capable que de connaître ce qu'a vécu le procédé dans son histoire.
Speaker #1
Et c'est un problème parce que souvent, la majorité des procédés heureusement sont stables et sont bien maîtrisés et donc ne sortent que très peu de gammes bien connues en fait voire peu de variabilité donc en fait l'idéal c'est que souvent le simulateur physico-chimique s'il existe il a un gap néanmoins réel entre ce qu'il propose et la vraie vie parce que le simulateur reste une approximation en fait donc la session idéale c'est de pouvoir avoir un simulateur existant mais entraîner par exemple Merci. Un modèle d'IA sur ce simulateur pour le reproduire, pour que le modèle d'IA comprenne finalement la physicochimie du procédé via des exemples issus du simulateur, mais l'entraîner sur le modèle d'IA aussi sur les données de vrais procédés pour réduire ce gap qu'il y a entre la simulation et la vraie vie. Et donc avoir un modèle qui est complet, qui a vu grâce au simulateur plein de cas divers et variés, même des cas qui sont extrêmement marginaux en production, mais pouvoir aussi le fine-tuner sur le modèle d'IA, sur des vraies données de production pour le rendre le plus... plus complet et réaliste possible. Ça, c'est la situation idéale.
Speaker #0
Une situation un peu hybride, mais qui prend le meilleur des deux apports,
Speaker #1
si je comprends bien.
Speaker #0
Et concrètement, comment est-ce qu'on peut développer ce jumeau numérique ? Comment ça se passe ?
Speaker #1
Comment ça se passe ? On va prendre le scénario idéal dont je parlais auparavant. On fait l'hypothèse que l'industriel a un simulateur physico-chimique du procédé, donc il peut générer facilement, entre guillemets, en tout cas, a priori facilement, Tout un tas d'exemples de situations de procédés avec des données capteurs de quelle qu'elle pourrait être dans la vraie vie et des sorties, des outputs du procédé. Donc déjà on va demander aux simulateurs de générer plein d'exemples de ce style là, première chose. Et on va compléter cette base de données par des vrais exemples issus du vrai procédé. Donc il faut que l'industriel ait historisé depuis quelques années par exemple des données de procédés, voilà, tous les paramètres qui ont eu lieu dans le passé, les sorties du procédé, tout ça doit être historisé. Une fois qu'on a ça, on peut entraîner des modèles de machine learning ou de deep learning qui vont prendre en entrée l'ensemble des capteurs au cours du temps, par exemple, et prétire les sorties du procédé. Et une fois qu'on a ça, finalement, on a notre jumeau numérique, entre guillemets, qui s'est bien généralisé grâce à nos simulations, et qui a l'avantage d'être très rapide. En temps de réponse, j'en parlerai après, mais c'est un point essentiel pour pouvoir s'en servir, pour vraiment optimiser ensuite, dans la vraie vie, le procédé.
Speaker #0
Alors j'ai une question qui est un peu technique, mais je pense qui peut intéresser les gens qui sont un peu experts en génie des procédés et qui nous écoutent. Ça marche aussi bien sur des modèles, des simulateurs statiques, mais est-ce que ça marche également sur les approches dynamiques du procédé ?
Speaker #1
Oui, la question va être de comment intégrer cet aspect dynamique, et notamment l'aspect temporel, du coup, est critique. Pour l'aspect dynamique, les deux sont faisables. Il faut, dans l'aspect dynamique, ça veut dire qu'on a besoin d'avoir, généralement, on va dire, un passé assez significatif pour garder en tête dans le modèle, entre guillemets, ce qui s'est passé dans les N dernières heures, par exemple, puisqu'on sait que c'est un aspect dynamique, on peut avoir de l'inertie, par exemple, et donc on a besoin d'avoir le comportement dans les temps un petit peu passés pour alimenter le modèle, pour sa prédiction de l'état d'après. Donc c'est faisable, mais il faut le prendre en compte dans la modélisation machine learning.
Speaker #0
Ça amène un peu plus de complexité. Voilà,
Speaker #1
c'est un peu plus compliqué, mais c'est faisable, absolument.
Speaker #0
On vient de passer un peu de temps à parler du jumeau numérique. Mais si je comprends bien, le jumeau numérique, il va nous permettre de prédire comment se comporte le process. On n'est pas encore à l'optimisme. Comment est-ce qu'on se sert de ce jumeau numérique pour optimiser en temps réel le procédé ?
Speaker #1
En fait, l'idée, c'est qu'une fois qu'on a ça, on se ramène à une sorte de problème d'optimisation sous contrainte, puisqu'on va se dire, très bien, maintenant, ce jeu numérique me permet de savoir ce qui va se passer dans mon procédé si je fais telle ou telle action. Si je modifie tel paramètre, je sais prédire, entre guillemets, simuler ce qui va arriver. Donc, maintenant qu'on a ça, on peut se dire, tiens, en production, j'ai une nouvelle situation qui arrive, je change une matière première, admettons. Et bien je vais pouvoir en fait, par exemple scanner mon simulateur, tester différents paramètres d'entrée, différentes actions possibles dans mon simulateur, dans mon jumeau numérique, et voir laquelle maximise ma performance. Évidemment il y a des contraintes, on sait qu'on ne peut pas faire n'importe quoi dans un système en production. Il y a des paramètres qu'on ne peut pas modifier, il y en a qui sont fortement corrélés, il y en a qui ont des limites, qui ont des contraintes. Donc c'est pour ça que je parle d'optimisation sous contraintes, c'est ça vraiment, c'est de se dire, j'ai le simulateur, comment... S'en servir pour trouver la meilleure solution, mais certaines solutions ne sont pas autorisées finalement, donc on doit contraindre le périmètre. Et ça du coup, on a besoin d'une très forte interaction avec le métier, parce que le métier qui lui maîtrise son procédé, c'est nous dire, ben voilà, ça c'est une contrainte, je ne peux pas dépasser tel bord dans le procédé, je ne peux pas modifier aussi rapidement ce paramètre-là, ça n'a pas de sens, ce n'est pas possible techniquement. Donc on doit intégrer ces contraintes, mais une fois qu'on peut le faire, ça va pouvoir marcher, on va pouvoir en temps réel, à la fin finalement, proposer une solution Rapidement, puisque grâce au modèle d'IA, finalement, on n'a pas les contraintes de temps de calcul très long que peuvent avoir des vrais simulateurs complets. Via les modèles Machine Learning et Deep Learning, les inférences sont très rapides, donc on peut vraiment tester en temps réel plein de combinaisons et trouver la meilleure en un temps qui est raisonnable pour la vraie production.
Speaker #0
Ok, c'est très clair. Mais pour aller un peu plus dans le concret, est-ce que tu peux nous donner... Quelques exemples de réalisations que vous avez pu faire dans ce domaine ?
Speaker #1
Concrètement, on a commencé sur ce sujet-là il y a quelques années, déjà maintenant en ProBias, environ en 2019 en particulier. On avait attaqué avec un projet financé par l'Europe, un projet H2020 qui s'appelait Monsun, et qui impliquait Riotinto, entreprise de production d'aluminium, sur le site de Dunkerque, qui a été d'ailleurs racheté depuis par Aluminium Dunkerque. En tout cas, l'idée, c'était de chercher à optimiser un procédé interne de l'usine, qui était la production d'anodes. Il faut comprendre que dans le procédé de production d'aluminium, on a une électrolyse qui se fait à un moment donné dans le procédé, et donc qui consomme des anodes. Et donc l'usine produit ses propres anodes pour ce procédé. Et l'idée, c'était qu'en fait, si la qualité des anodes est la meilleure possible, pour l'électrolyse qui a lieu à la fin de la chaîne de production, les rendements s'améliorent. Et c'est très significatif si on peut maximiser la qualité, la densité dans ce cas-là, anodique. Donc on a voulu mettre ça en place à l'époque. Là, on n'a pas de simulateur. Donc c'était une difficulté, c'est qu'on a dû uniquement entraîner notre géométrie numérique sur des données passées. Alors ils avaient plus de 10 ans d'historique, donc ça donnait quand même pas mal d'exemples assez différents pour construire un modèle assez robuste. Donc c'est ce qu'on a fait à l'époque. Donc ce modèle de machine learning a été entraîné à prédire la densité anodique connaissant Bon. les paramètres procédés. Il marchait bien, il avait des bonnes performances de prédiction, et donc on s'en est servi comme jumeau numérique. Et donc concrètement, ce qu'on a fait, c'est qu'on a déployé chez Aluminium Dunkerque cet outil qui, concrètement, en temps réel, propose jusqu'à trois actions, donc trois modifications de paramètres procédés qui permettent de revenir à une situation de densité qui est optimale si elle avait été dégradée auparavant de par des conditions diverses et variées.
Speaker #0
Voilà. Ce qui me fait penser à un sujet qu'on n'a pas abordé précédemment, mais si on n'a pas la variabilité ou la richesse sur nos historiques de données, et qu'on n'a pas ce simulateur, on va dire, physico-chimique comme tu le décrivais, est-ce que ça arrive que les industriels aient des approches de type plan d'expérience ?
Speaker #1
Oui, en fait c'est une solution, effectivement, parce que si on veut aller explorer des espaces inhabituels, une façon de le faire, c'est ça, c'est mettre en place des plans d'expérience. qui sont quand même sous contrôle, donc on ne va pas faire n'importe quoi. Les industriels vont choisir quels paramètres à aller explorer, mais ça permet de générer de la donnée intéressante qui permet d'ensuite entraîner par-dessus des modèles machine learning. Donc oui, ça arrive de temps en temps.
Speaker #0
Et potentiellement, j'imagine, s'ils ont des installations pilotes, ils peuvent même les faire sur des installations pilotes sans aller sur des chaînes industrielles. Effectivement,
Speaker #1
si on peut le faire en dehors de la chaîne de production, c'est plus simple. Mais oui, il y en a qui ont des chaînes pilotes, et dans ce cas-là, ça permet d'avoir cette flexibilité de tester des espaces de paramètres inhabituels. mais qui savent ensuite aller monter un modèle de machine learning, absolument.
Speaker #0
Est-ce que tu as d'autres exemples à nous présenter ?
Speaker #1
Oui, justement, on a en ce moment un projet qui est pile dans ce domaine-là. C'est pour un industriel qui, lui, travaille dans la séparation de terres rares. Et donc, eux ont un simulateur physico-chimique complexe, mais qui ne peut pas être utilisé en production, qui est très lent à calculer, etc. Donc justement, là, on a vraiment appliqué ce scénario. Ils ont pu nous générer tout un tas d'exemples de simulation assez réalistes de leurs procédés. On a entraîné un modèle de machine learning par-dessus. Petite parenthèse, ils n'ont pas encore d'usine, donc on n'a pas pu finitiner le modèle sur des vraies données de production. Ça arrivera dans un second temps. On a pu déjà développer ce premier modèle, ce premier jumeau numérique, sur les données de simulation. Et concrètement, ça marche très bien. Et donc, là, on est en train de développer la partie d'après, la partie optimisation. où donc voilà on va proposer des actions, voir quelle configuration est la meilleure pour maximiser un certain rendement on va dire. Donc là c'est en phase de test auprès de l'industriel, pour l'instant ils sont contents. Donc on va itérer parce que là on a commencé avec peu de paramètres actionnels on va dire, donc une situation un peu plus simple que la vraie vie, mais on va améliorer ça dans le temps pour la rendre plus réaliste. Et la cible c'est de l'intégrer une fois que l'usine est en production dans la vraie vie quoi.
Speaker #0
Je crois que c'est très clair. Merci beaucoup Vincent. Sur base de toutes ces expériences, quelles seraient les 2-3 préconisations que tu pourrais donner à un industriel qui souhaite passer le cap et mettre en place de l'IA pour optimiser ses procédés ?
Speaker #1
La première chose, je pense que la plupart des industriels le font, mais il faut le redire quand même, il faut dès maintenant historiser au maximum possible les données de production, c'est-à-dire les paramètres procédés qui ont vraiment eu lieu, les informations sur les matières premières. Des fois, ce n'est pas forcément bien stocké. caractériser les matières premières qui ont alimenté le procédé au cours du temps et évidemment tous les résultats de sortie de qualité, de rendement, il faut historiser ça au maximum parce que ça a beaucoup de valeur pour notamment créer ce jumeau numérique. Si l'industriel dispose d'un simulateur de procédés, c'est mieux ou bien comme on l'a dit d'une usine pilote, d'un système pilote, c'est parfait pour générer de la donnée un peu en dehors des ranges, des gammes habituelles. Et puis il faut évidemment choisir un procédé. sur lequel il y a des gains importants. Il faut que l'industriel sache que s'il gagne en performance de quelques points, ça a un vrai intérêt pour lui, donc il faut qu'il cible le bon cas d'usage. Et puis ensuite, partir sur une approche itérative, comme ce que j'ai un peu décrit auparavant. Il faut commencer simplement avec peu de paramètres modifiables, puis itérer jusqu'à avoir une solution réaliste. Et puis trouver le bon partenaire pour être accompagné là-dessus, parce que c'est un sujet quand même pas simple. Donc voilà, il faut être accompagné de prestataires en data science. Probayez par exemple, mais qui peuvent être pertinents pour assister l'industriel dans ce cas d'usage qui est important et pas évident à mettre en place.
Speaker #0
Merci beaucoup Vincent, je pense que c'était très instructif sur ces applications industrielles de l'IA. Un plaisir Mathieu. Merci. A bientôt.

About Voice of Industries

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

About Voice of Industries

By listening to “Voice of Industries”, you'll not only deepen your understanding of the industrial landscape, but also gain the information you need to thrive in this ever-changing sector.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Embed