Denis Molin, data scientist chez Teradata partage son expertise sur le sujet de la production automobile optimisée grâce à l’analyse de données et l’IA.
Prenons l’exemple d’une usine automobile : si 99,4 % des véhicules produits répondent parfaitement aux exigences de qualité (First Time Yield), cela signifie malheureusement que 0,6 % de la production ne l’est pas. Considérant qu’une usine automobile assemble 350 000 véhicules par an, cela signifie que 2 000 véhicules nécessiteront des retouches, entraînant un surcoût et une perte de temps. Si nous estimons le coût moyen de retouche d’un véhicule à 2 500 euros, l’usine pourrait économiser jusqu’à 5 millions d’euros par an, une économie substantielle.
Pour atteindre l’objectif de 100%, les usines doivent s’appuyer sur leur expertise, leurs données, mais aussi sur les solutions analytiques enrichies par des capteurs et des techniques d’Intelligence Artificielle (IA) ou de Machine Learning.
Améliorer le Taux de Rendement Synthétique (TRS)
Le secteur industriel doit utiliser au mieux ses capacités de production. Pour garantir le bon fonctionnement d’une machine, des mesures telles que le Taux de rendement synthétique (TRS) sont mises en place. Bien qu’un TRS de 100% soit l’objectif ultime, il est rarement atteint en raison de nécessaires temps d’arrêt pour maintenance ou de ralentissements dus à des réglages imparfaits.
Grâce à l’industrie 4.0, des outils existent désormais pour optimiser ce taux grâce à des capteurs qui, par la collecte et l’analyse de données, permettent une meilleure compréhension de l’état de santé des machines. Cette surveillance rigoureuse assure que la production reste toujours dans les normes de qualité, permet une programmation efficace des maintenances, une réaction rapide si nécessaire et une connaissance plus détaillée de la chaine de fabrication.
Cloud souverain, intelligence artificielle, cybersécurité, gouvernance des données, outils collaboratifs… Face aux enjeux de maîtrise technologique et de résilience numérique, l’open source s’impose comme un levier stratégique pour les organisations.
Choisir l’étape de production essentielle
Optimiser l’ensemble du processus de production en une seule fois grâce à l’analyse de données n’est pas réaliste. Une approche incrémentale est nécessaire, ce qui permet de cibler les éléments qui apportent le plus de valeur. Cette approche encourage la collecte ou la mise en place de processus de collecte du maximum de données possible pour leur analyse.
Dans une usine automobile, les opérations étant très diversifiées, il est nécessaire de procéder de manière pragmatique en commençant par les opérations qui répondent aux critères suivants : coûts élevés, difficultés récurrentes et difficiles à rattraper, données abondantes et plutôt fiables. Par exemple, les postes de ferrage : les robots de soudure doivent fonctionner à très haute cadence et avec une grande précision, et les points et cordons de soudure par voiture se comptent par milliers. Or, la qualité du ferrage est essentielle pour la « qualité perçue » du véhicule, la stabilité du châssis et la bonne mise en œuvre des étapes suivantes (installation du faisceau électrique, peinture, …).
Avec l’analytique et les capteurs, il est désormais possible d’avoir une vision détaillée de chaque pièce produite et de réagir plus rapidement en cas de dysfonctionnement. Si le choix doit d’abord se porter sur une opération à forte valeur ajoutée, chaque usine peut viser à couvrir l’ensemble du processus de fabrication grâce à cette méthode, dans le but d’atteindre le Graal d’un TRS et d’un rendement (yield) de 100%. Ainsi, progressivement, le profil analytique ou l' »ADN » de chaque produit manufacturé sera codé, formant un produit de données qui alimentera d’autres analyses.
Passez à la cybersécurité proactive, transformez la collecte et l’analyse des logs en un bouclier dynamique contre les cybermenaces. Découvrez comment mettre en place une approche SIEM modulaire, évolutive et…

