Selon la National Association of Manufacturers, pour chaque dollar dépensé dans l’industrie manufacturière, environ 3 dollars sont ajoutés à l’économie. L’influence économique de l’industrie manufacturière justifie la nécessité d’optimiser en permanence les processus industriels pour assurer la croissance, et l’industrie a relevé le défi.
Les statistiques montrent que l’industrie manufacturière est devenue l’une des plus grandes utilisatrices de solutions de transformation numérique pour stimuler la croissance. L’adoption d’outils de transformation numérique tels que la modélisation de simulation d’événements discrets a joué un rôle important dans l’amélioration des résultats de fabrication grâce à l’analyse précise des données, à l’ordonnancement basé sur les risques et à la planification. Mais l’industrie 4.0 promet davantage en termes d’automatisation de la prise de décision et de réduction de la charge de travail des techniciens et des analystes dans l’ensemble de l’industrie – ici, les réseaux neuronaux artificiels ont des rôles cruciaux à jouer.
Améliorer les performances des systèmes de machines
La compréhension des processus d’utilisation des machines est devenue la base du développement de stratégies de maintenance prédictive et de la définition des performances des machines. Grâce à ces connaissances, les fabricants peuvent mettre au point des systèmes permettant d’optimiser les performances futures des machines afin d’augmenter le rendement et d’éliminer les temps d’arrêt.
L’ANN peut étendre les capacités des modèles de simulation pour prédire les propriétés mécaniques de l’équipement utilisé dans l’atelier. Un exemple est la prédiction des propriétés mécaniques d’un procédé de soudage par friction-malaxage (FSW). Le procédé FSW implique l’utilisation d’un outil rotatif non consommable qui plonge dans une pièce à usiner pour produire la chaleur nécessaire au soudage d’un joint. Les ensembles de données ou paramètres qui définissent le procédé FSW sont la vitesse de déplacement de l’outil, la vitesse de rotation de l’outil, la taille du grain et la densité de dislocation du matériau soudé.
L’optimisation du procédé FSW et de la qualité de ses soudures nécessite un contrôle approfondi des propriétés mécaniques associées à l’utilisation d’une machine FSW. Il est donc nécessaire de comprendre la relation entre les différentes variables associées au procédé FSW et la qualité des soudures qu’il produit. L’ANN permet de prédire le comportement mécanique des joints et des procédés FSW une fois que les données ou les paramètres requis sont introduits dans le réseau neuronal. Dans cet exemple, un modèle de simulation du procédé FSW a été développé à l’aide d’un réseau neuronal. Les données historiques utilisées pour former le réseau neuronal comprennent la rotation de l’outil, la vitesse de déplacement, les valeurs de résistance à la traction, la direction de soudage, etc.
Le réseau neuronal a pu prédire avec une grande précision les propriétés mécaniques du processus FSW et la résistance des joints soudés dans des conditions opérationnelles spécifiques. Les fabricants peuvent donc déterminer les résultats des cycles FSW afin de développer de nouvelles techniques opérationnelles pour améliorer la productivité.
Améliorer les processus de prise de décision à l’échelle de l’établissement
L’application de l’ANN dans l’industrie manufacturière ne se limite pas à l’optimisation des performances des machines. Un aspect important de cette application est l’amélioration des processus de prise de décision associés aux opérations à l’échelle de l’usine. Parmi ces opérations, on peut citer le choix optimal entre des lignes de production comportant plusieurs postes de travail ou l’évaluation des coûts et des effets temporels de diverses variables de production sur un cycle de production.
Par exemple, un fabricant souhaitant remplacer les systèmes de manutention conventionnels par une infrastructure automatisée doit déterminer la meilleure option en fonction des exigences particulières de l’installation. Les facteurs qui influencent la fonctionnalité du processus de manutention comprennent l’état des postes de livraison, l’agencement de l’usine, la vitesse des systèmes de manutention automatisés alternatifs, ainsi que la capacité de navigation des options proposées.
Bien qu’un modèle conventionnel de simulation d’événements discrets puisse être utile, savoir comment prendre en compte tous les facteurs susmentionnés et construire la règle permettant de sélectionner le meilleur système automatisé est un processus difficile et fastidieux. L’intégration d’un réseau neuronal dans les modèles de simulation remplace la nécessité de construire les règles qui rendent compte de la complexité des opérations de fabrication. Le réseau neuronal est ensuite entraîné en continu à l’aide de données simulées afin d’améliorer la précision de ses décisions. L’utilisation d’un ANN garantit que le processus de construction d’une logique complexe basée sur des règles est remplacé par un système plus précis qui optimise les opérations de fabrication et la prise de décision.
Conclusion
Les réseaux neuronaux simplifient le processus de prise de décision au niveau de la machine, du processus et de l’installation dans l’atelier de fabrication. Les réseaux neuronaux augmentent la précision des évaluations et des capacités d’analyse d’une simulation et d’un modèle de jumeau numérique. La possibilité d’entraîner en permanence les réseaux neuronaux à l’aide de données d’entraînement synthétiques garantit que les algorithmes ANN sont capables de s’adapter à diverses situations, à l’instar du cerveau humain.