PME manufacturières : quand l’usine intelligente et l’IA passent de la théorie à la réalité

Dans notre blogue précédent, « PME manufacturières : usine intelligente et IA, un duo gagnant », nous avons établi que la fiabilisation des données est la fondation essentielle pour toute initiative d'intelligence artificielle. En effet, les systèmes doivent se « parler » pour transformer les données brutes en intelligence stratégique.

Dans cet article de blogue, nous passons à l'étape suivante. Nous abordons trois cas d'usage concrets inspirés de nos réalisations : l'architecture de données OT (Operational Technology) : la fondation des projets manufacturiers, l'allocation dynamique de la production de tapis et des opérateurs, et l'assistance aux soumissions client.

Architecture de données OT : la fondation des projets d'IA manufacturiers

Dans de nombreuses usines, les projets d'IA échouent non pas à cause des modèles ou des algorithmes, mais parce que les données PLC, SCADA, MES, et autres systèmes ne sont pas structurées correctement. Sans une base de fondation OT, l'IA ne peut pas transformer ces données en décisions fiables et actionnables.

Défi : Des données difficiles à exploiter

Dans la majorité des usines, les données du plancher proviennent d'un empilement de systèmes (ex. PLC, HMI, SCADA, MES, systèmes qualité, GMAO) installés à différentes époques. Ces systèmes fonctionnent, mais ils n'ont jamais été conçus pour alimenter de l'analytique avancée ou des modèles d'IA. Le résultat : on accumule beaucoup de données, mais très peu sont réellement exploitables.

• Données dispersées : Les informations sont réparties dans plusieurs systèmes sans modèle de données commun.
• Nommage non standardisé : Chaque fournisseur ou intégrateur utilise ses propres conventions de tags.
• Manque de contexte : Les données sont rarement liées aux équipements, produits, lots, recettes ou quarts de travail.
• Historisation inadéquate : Les données sont soit absentes, soit conservées à une granularité inadaptée aux analyses avancées.
• Rupture OT–TI : Il est difficile de relier les données de production aux systèmes d'affaires comme l'ERP, la qualité ou l'inventaire.

Solution : Créer une architecture OT fiable et cohérente

Pour rendre les données du plancher exploitables par l'IA, il faut d'abord créer une architecture OT structurée et cohérente. L'objectif est de centraliser, standardiser et contextualiser les données dès leur source pour qu'elles puissent alimenter des analyses avancées et des modèles prédictifs.

• Centralisation des données : Rassembler les données provenant de PLC, SCADA, MES et autres systèmes dans une plateforme unique.
• Standardisation des tags : Harmoniser les conventions de nommage et les unités pour faciliter la comparaison de l'information.
• Contextualisation : Ajouter des informations sur l'équipement, le produit, le lot, la recette ou le quart de travail pour enrichir les analyses.
• Historisation adaptée : Conserver les données avec la granularité nécessaire aux différents types d'analyses et aux modèles d'IA.
• Intégration OT–TI : Relier progressivement les données de production aux systèmes ERP, qualité et maintenance pour obtenir une vue complète et cohérente.

Bénéfice : Exploiter l'IA industrielle en toute confiance avec des données organisées

Une fois la fondation OT en place, l'IA produit davantage de valeur. Les modèles exploitent des données fiables, cohérentes et contextualisées, ce qui facilite la prise de décision et le déploiement à l'échelle de l'usine.

• Analyses plus fiables : Les modèles et rapports reposent sur des données cohérentes et reproductibles.
• Gain de temps : Moins de temps passé à nettoyer ou corriger les données pour les rendre exploitables.
• Confiance des équipes : Les opérateurs, gestionnaires et ingénieurs peuvent se fier aux recommandations générées.
• Déploiement à l'échelle : Les modèles de fondation peuvent être appliqués à plusieurs lignes ou usines.
• Retour sur investissement : Les projets d'IA livrent de la valeur plus rapidement et de manière mesurable.

Allocation dynamique de la production de tapis et des opérateurs

Ce cas d'usage illustre comment l'IA résout le casse-tête de la planification et de l'ordonnancement de la production de tapis, en optimisant l'utilisation des équipements et de la main-d'œuvre.

Défi : Goulots d'étranglement et coûts de changement de setups

La fabrication de tapis implique un flux séquentiel complexe (Extrusion → Touffetage → Four → Finition) souvent réparti entre plusieurs unités de production distinctes. Ce défi est exacerbé par des facteurs tangibles et des contraintes qui paralysent la planification manuelle :

• Complexité du flux et taille du problème : Le flux de production est complexe et comporte de multiples contraintes. Avec des combinaisons infinies de calendriers de production possibles, le planificateur peine à satisfaire toutes les contraintes et à optimiser la production.
• Goulot critique (le four) : Le four constitue le principal goulot d'étranglement, nécessitant des temps de configuration longs pour passer d'un type de produit à un autre.
• Temps de setups extrêmement coûteux (le touffetage) : L'étape de touffetage exige un changement de bobines fastidieux qui rend la minimisation des temps de setups critique pour la rentabilité.
• Micro-gestion des ressources : L'allocation statique des opérateurs entre les postes de finition manuelle et les cellules automatisées occasionne de l'inefficacité et des pertes de temps.
• Logiciels inadaptés : Les logiciels de planification et d'ordonnancement classiques (ERP/MES/APS) tentent souvent de résoudre toutes les variantes des problèmes de planification et d'ordonnancement. Contrairement à la croyance populaire, cela les rend inadaptés aux problématiques industrielles réelles.

L'affectation statique et la planification manuelle sont inadéquates pour gérer ces interdépendances complexes.

Solution : L'IA au cœur de l'ordonnancement

L'IA aborde ce défi en construisant une vision globale et en utilisant une approche sur mesure intégrant plusieurs techniques d'optimisation combinatoire (ex. : programmation par contraintes, recherche à voisinage large) pour trouver la séquence de production optimale :

• Orchestration globale : L'IA explore intelligemment des combinaisons qui minimisent le temps de production total et de setups. Elle favorise les campagnes (plusieurs tapis de même type) de Touffetage afin de diminuer les temps de setups qui n'ajoutent pas de valeur au procédé.
• Garantie de faisabilité : L'IA garantit une solution valide qui respecte le flux de production et toutes les contraintes opérationnelles, tout en minimisant les temps de setup.
• Allocation dynamique et données temps réel : Le système intègre les données industrielles en temps réel pour générer un plan continu qui optimise l'utilisation des équipements et des tâches des opérateurs (ex. : basculement entre découpe manuelle et finition automatisée).
• Approche ciblée : L'objectif est d'utiliser l'IA pour résoudre des problèmes complexes et ciblés, pour ensuite combiner les solutions ensemble. Par exemple, un horaire de production optimisé permet de grandement faciliter l'assignation des opérateurs sur les différentes machines et d'optimiser la gestion des horaires.

Bénéfice : Réduction des coûts cachés et augmentation du débit

Cette approche permet de devenir plus agile, un avantage décisif :

• Approche sur mesure : Contrairement aux APS génériques, cette solution est précisément adaptée à la problématique industrielle réelle et aux contraintes spécifiques de la fabrication de tapis. Elle génère des gains largement supérieurs.
• Maximisation de la capacité : Augmentation significative du débit de production en maximisant le temps d'opération du Four (goulot critique) et en réduisant les temps d'arrêt non productifs.
• Réduction des coûts de changement : Diminution significative des coûts d'opération en minimisant les setups longs et coûteux, se traduisant directement par une meilleure marge.
• Gestion du personnel efficace : Facilitation majeure de l'assignation, la gestion des horaires et la gestion des effectifs via une meilleure prévisibilité de la production.
• Agilité face aux imprévus : L'IA génère et adapte l'horaire complexe en quelques minutes, permettant de réagir à de nouvelles commandes ou aux pannes imprévues.

Assistance aux soumissions client

Défi

Pour les PME manufacturières, l'élaboration d'une soumission client est un processus long, complexe et minutieux. Chaque demande impose des exigences techniques précises, des spécifications de matériaux, et l'analyse de dessins variés (ex. : AutoCAD, PDF). Ce processus est confronté à plusieurs obstacles majeurs :

• Recherche manuelle intensive et fragmentation de l'information : La collecte des informations nécessaires (soumissions historiques, manuels de référence) est extrêmement fragmentée. Cela nécessite l'examen manuel de dizaines, voire de centaines de documents, consommant un temps précieux.
• Dépendance à l'expertise humaine critique : L'interprétation correcte des exigences, l'évaluation des risques et la rédaction d'un devis précis exigent une expertise considérable. Cette dépendance rend le processus vulnérable.
• Perte de connaissances stratégiques : Avec le départ d'employés clés, l'expertise et les données critiques sur les projets passés sont souvent perdues. Cette fuite de connaissances affecte la précision des estimations futures et la capacité à répliquer des succès passés.

Ces défis combinés ralentissent le cycle de vente de manière significative et limitent le volume de soumissions que l'équipe peut gérer, freinant ainsi la croissance.

Solution : L'intelligence artificielle RAG

L'IA, et notamment les approches RAG, transforme ce processus en exploitant le patrimoine documentaire de l'entreprise. Concrètement, elle vise :

• Un accès universel aux données : Le système RAG identifie et structure rapidement les soumissions historiques, les projets rentables et les documents techniques, quel que soit leur format d'origine (ex. : PDF, JPEG).
• Des recommandations ciblées : L'IA utilise ensuite ces éléments pour générer automatiquement une ébauche détaillée de soumission et réaliser une analyse de rentabilité prévisionnelle.

Bénéfice

Le principal avantage est une accélération drastique de la génération des soumissions et de la recherche manuelle de documents. Cette approche permet également de :

• Réduire le temps de préparation et répondre à un plus grand volume de demandes.
• Améliorer la précision des estimations en se basant sur des données exhaustives.
• Standardiser le format et la qualité des soumissions.
• Augmenter le taux d'obtention de mandat et maximiser le ciblage des offres pertinentes.
• Exploiter vos projets antérieurs et assurer le maintien des connaissances.