Comment les jumeaux numériques ajoutent un nouveau niveau d'intelligence dans la fabrication métallique

hafakot/iStock/Getty Images Plus

Imaginez un directeur d'usine arrivant le matin, ouvrant un ordinateur portable ou une application téléphonique et demandant : « À quoi dois-je faire attention aujourd'hui ? Le système présenterait alors des problèmes potentiels. Une machine tombe en panne de manière inattendue. Un travail du quart de travail précédent a pris plus de temps que prévu. Peut-être qu’un département manque de quelques personnes. Le système suggère des modifications et le directeur de l'usine les accepte ou les ajuste selon les besoins.

Un tel scénario n’est pas de la science-fiction. En fait, la technologie pourrait devenir réalité dès l’année prochaine. Au moment d'écrire ces lignes, Ultisim, une société basée à Chapel Hill, en Caroline du Nord, spécialisée dans les jumeaux numériques, travaille avec un fabricant pour développer un tel système, reliant les données des machines, des plates-formes de planification des ressources de l'entreprise et d'une pléthore d'autres sources. Il utilise une interface à grand langage similaire à celle rendue célèbre par ChatGPT, mais axée sur la résolution des problèmes auxquels les fabricants sont confrontés.

« Chaque commande que [ce fabricant] reçoit est personnalisée », a déclaré Richard Boyd, PDG d'Ultisim et de sa société sœur Tanjo, qui se concentre sur les éléments de base algorithmiques de l'apprentissage automatique et de l'intelligence artificielle (IA). « Toute cette variété est ce qui rend les choses difficiles et intéressantes. Si nous résolvons leurs problèmes, nous pourrons en résoudre d’autres beaucoup plus facilement.

De tels modèles à haut mix de produits relèvent du domaine de la fabrication métallique sur mesure, ce qui est l'une des raisons pour lesquelles Boyd envisage d'introduire sa solution sur ce marché (il prononcera un discours en septembre à Chicago à FABTECH). Dans la plupart des ateliers de fabrication personnalisés, chaque travail peut avoir un acheminement spécifique via des flux de valeur spécifiques ; Machines; ou des départements centrés sur les processus comme la découpe, le pliage, la quincaillerie, le soudage, le revêtement en poudre et l'assemblage ; avec (en fonction de l'itinéraire du travail) une variété d'opérations secondaires éparpillées entre les deux.

Tout le monde dans l’organisation peut visualiser le jumeau numérique à travers ce que Boyd appelle des « lentilles » adaptées à des personnes et à des fonctions spécifiques. Une personne travaillant dans le domaine financier aura un point de vue différent de celui d'une personne travaillant dans les ventes, la planification ou la planification de la production.

De plus, les données qui construisent le jumeau ne seraient pas déplacées de leur emplacement d'origine. « Nous n'avons pas besoin d'un seul Big Data Lake », a déclaré Boyd, ajoutant que le système peut extraire ce dont il a besoin et « laisser les données là où elles se trouvent ». La dernière chose qu’une entreprise souhaite est de copier des données vers un emplacement central, car l’acte de copier vous donne plusieurs versions des mêmes données et entraîne toutes sortes de complexités inutiles.

Pour que tout cela se réalise, il faut plusieurs ingrédients clés, le premier étant les données numérisées. Oui, la plupart des fabricants disposent de machines modernes qui capturent de nombreuses données, mais ils s’appuient probablement encore sur des machines anciennes et simples dans quelques départements. Le vieux fer a la vie dure et, mécaniquement parlant, ils font toujours bien le travail. Ils auront cependant besoin de capteurs supplémentaires pour numériser ce qu'ils font (combien de coups, de pieds ou de pièces par minute ou par heure pour tel ou tel travail), mais ce n'est vraiment pas un défi, surtout maintenant.

"Nous avons assisté à une révolution dans le domaine des capteurs", a déclaré Boyd, ajoutant que certains types sont désormais imprimés, non pas par des imprimantes 3D, mais par une technologie matricielle relativement ancienne. Même les capteurs optiques sont peu coûteux, donc les ajouter à d’anciennes machines ne constitue plus un obstacle économique, ni même technique.

Ce qui a constitué un obstacle, a expliqué Boyd, c'est ce qu'il a appelé les « données sombres ». Cela inclut les données stockées dans des logiciels isolés, non partagées et sous-utilisées. Boyd a passé des années à travailler avec des entreprises de divers secteurs, y compris celles dont les contrats de défense exigeaient des interfaces de protocole d'application (API) totalement transparentes. Cela transforme les données sombres en informations utiles. Selon Boyd, les informations sont des « données au repos » ou des « données en mouvement », qui ont été méta-étiquetées numériquement pour la consommation de l'IA et de l'apprentissage automatique.

De nombreuses organisations utilisent un mélange de systèmes différents dans différentes installations acquises au fil des ans. Les fabricants sont bien sûr connus pour cela, mais de nombreuses autres industries le sont également. « Dans les hôpitaux, par exemple, les gens achètent tous ces systèmes non intégrés, qui parfois ne s'accordent même pas sur l'heure qu'il est, et ils ne partagent pas les données », a déclaré Boyd.