SIRRIS
Utiliser des solutions d'IA avancées pour obtenir un produit de qualité constante tout au long du cycle de développement et de fabrication d'un produit.

Human AI

Objectif du défi

L'objectif est de développer des systèmes avancés d'aide à la décision pour guider les ingénieurs et les opérateurs tout au long du cycle de conception et de fabrication afin d'obtenir rapidement une production répondant à des normes de qualité élevées.

Les enjeux

Une contribution majeure à la performance du secteur manufacturier. L'efficacité du cycle de fabrication (MCE) est essentielle à cet égard. Elle mesure le pourcentage du temps consacré à la fabrication des produits qui est consacré aux activités à valeur ajoutée. Les activités sans valeur ajoutée sont celles notamment consacrées à déplacer, inspecter, tester les produits. Les systèmes d'aide à la décision basés sur les technologies de l'IA contribueraient de manière significative à réduire le temps consacré à ces tâches, augmentant ainsi l'efficacité de l'ensemble du cycle, en économisant les ressources, notamment dans un contexte de production de masse.

Challenges

Un premier défi consistera à identifier toutes les sources de données pertinentes. Un second consistera à relier deux types de données différents : celles liées au traitement du produit et celles utilisées pour son contrôle qualité afin de détecter, diagnostiquer et prédire les défauts de production liés aux paramètres du processus ou à l'état de la machine. Un troisième défi pourrait découler d'un objectif plus ambitieux, celui de pouvoir réutiliser le système d'aide à la décision dans d'autres contextes de fabrication que celui dans lequel il a été initialement développé. En d'autres termes, il s'agit de créer un modèle générique dont les paramètres pourraient être facilement révisés et donc adaptés à d'autres secteurs.

Solutions IA possibles

Un certain nombre de solutions d'IA contribueront à atteindre l'objectif ci-dessus tout en relevant les défis identifiés :

  • Le développement de jumeaux numériques : pour simuler différents scénarios avant une production réelle.
  • L'apprentissage actif : pour donner à l'opérateur humain la possibilité d'utiliser son expertise pour enseigner le modèle en cas de divergence
  • L'apprentissage supervisé : expliquer au mieux certains comportements induits par l'IA à l'opérateur afin qu'il puisse continuer à jouer un rôle de supervision.
Ces questions constituent un défi passionnant pour nos chercheurs en IA.

Sujets clés

  • Jumeaux numériques
  • Apprentissage actif

Contacter le responsable

Thierry Coutelier (thierry.coutelier@sirris.be)