Process Alimentaire / Procédés / Le "machine learning" rend les machines encore plus autonomes

Automatisation

Le "machine learning" rend les machines encore plus autonomes

Stéphanie Perraut |  22 Octobre 2018 | 

Intégré dans le contrôleur d'une machine de remplissage, le machine learning permet de détecter précocément des défauts et de préserver la productivité.

Dans les prochains jours, Omron va lancer la commercialisation de son nouvel « AI Controller », un contrôleur de machine qui intègre un algorithme de machine learning (pour « apprentissage automatique », un champ de l’intelligence artificielle). « Nous faisons de l’intelligence artificielle depuis 20 ans. Elle est présente dans de nombreux produits de notre porte-feuille, pour des applications en robotique mobile autonome ou encore en régulation de température sur des thermoformeuses. Mais c'est la première fois que nous l'intégrons dans un contrôleur », précise Olivier Jacquot, responsable marketing Omron Electronics en France. Star de la Foire de Hanovre 2018, le robot Forpheus d’Omron illustre cette expertise. Professeur de tennis de table, il s’appuie sur de l’apprentissage profond (deep learning) et une fonctionnalité de commande synchrone pour servir, anticiper les coups comme les smashs et encourager le joueur en réaction au déroulement du match. Des caméras lui permettent d’identifier les expressions du visage et la gestuelle de son adversaire. Il adapte alors sont jeu en conséquence pour le faire progresser.

Un temps de réaction de l’ordre de la milliseconde

« Notre approche dans l’industrie consiste aujourd’hui à utiliser le machine learning pour améliorer la productivité en réagissant avant que l’incident de fabrication ne coûte trop cher. Et pour garantir des temps de réaction extrêmement courts, de l’ordre de la milliseconde, nous travaillons directement dans la machine, en edge computing », poursuit-il. Pour illustrer sa démarche, Omron a conçu une unité test de remplissage mettant en œuvre l’AI Controller. Comment ça marche ?

Des capteurs récoltent les valeurs de couple. Le contrôleur travaille sur la base de valeurs statistiques par cycle (comme la moyenne, le minimum et le kurtosis – aplatissement de la distribution d'un variable statistique). Ces données sont représentées sur un graphique sous la forme d’un nuage de points (un point par cycle). Le système fonctionne en apprentissage non supervisé. C’est à dire que l’algorithme identifie les caractéristiques communes d’un ensemble de données et que le contrôleur définit seul la situation normale. Il est ensuite capable de reconnaître des signaux faibles relatifs à des défauts non prévisibles et pour lesquels il n’existe pas de modèle statistique. Ces points « anormaux » apparaissent en rouge sur le nuage.

Des signaux faibles de défaut non prévisibles

Intervient alors l’expertise du constructeur d'équipement, qui définit ce que la machine doit faire en cas de défaut. Il peut s’agir, par exemple, d’un ralentissement temporaire ou du non remplissage tant que le défaut est détecté. L’AI Controller intègre des fonctions de blocs (modèles de fonctionnement et statistique correspondante) pour les composants les plus répandus dans le domaine du conditionnement : cylindre, vis à billes, courroies et poulies. « Nous poursuivons nos recherches dans le domaine et travaillons maintenant sur le « pourquoi ? », c’est-à-dire à l’identification de la cause du problème », explique Olivier Jacquot. Omron est en passe d’installer l’AI Controller dans ses propres usines au Japon et aux Pays-Bas. Des équipementiers européens ont déjà manifesté leur intérêt. Plusieurs applications ont vu le jour au Japon. L’une d’elle consiste à gérer la courbure d’un film rétractable.