IA et Industri 4.

Intégrant l’informatique traditionnelle et l’IA, l’Industrie 4.0 est sensée apporter une
plus grande flexibilité, une optimisation de processus de fabrication et faciliter
l’innovation à toutes les étapes. La transformation de processus repose sur cinq
principes fondamentaux :

(1) Présence de réseaux des personnes, des machines et des objets connectés dans
l’espace physique et virtuel.

(2) Amélioration de l’efficacité et de la flexibilité grâce à une exploitation optimisée

des données.

(3) Amélioration de la qualité de produits et de la rapidité de leur mise sur le marché

grâce aux tests en réalité augmenté et virtuelle.

(4) Optimisation de planification, fabrication et maintenance avec des techniques IA.

(5) Robotisation

D’ailleurs les systèmes embarqués (station spatiale, pilote automatique, voiture

autonome, etc.) intègrent de l’IA.

Quelques éléments d’Industrie 4.0

La plupart des illustrations incluses dans le cercle de la figure 2 représentent des

éléments de l’Industrie 4.0 : cloud pour le stockage et traitement distant, big data et
analytics, objets connectés, simulation, fabrication additive (additive manufacturing),
réalité augmentée et virtuelle pour le prototypage et la formation et robotique
industrielle.

À celles-ci, il faut ajouter l’intégration et la cyber-sécurité. La fabrication additive,

appelée également impression 3D, désigne les procédés de fabrication par ajout de
matière. Cette technique peut être utilisée dans le cycle de vie d’un produit aussi bien
dans le prototypage rapide et la production que les applications d’outillage. La
fabrication additive est plus particulièrement appropriée à la production de très petits
composants en grandes quantités ou à la production de pièces d’une grande
complexité géométrique. L’impression 3D peut également servir à produire des pièces
détachées et éviter de jeter les appareils endommagés à condition que le prix
d’impression et de remplacement soit inférieur au prix de l’appareil neuf. Les pièces à
reproduire peuvent être scannées. Bien que le terme intelligence artificielle ne soit
pas mentionné, on y devine des classiques de l’IA comme les robots avec vision
artificielle, les capteurs, le traitement du signal, de la voix, de l’image, la fouille de
données, les diagnostics (plusieurs techniques possibles) et la simulation.

Le clonage virtuel (digital twin ou jumeau numérique) est un modèle numérique de

comportement physique d’un équipement, comme par exemple une ligne de
production. Ces outils sont très utile pour vérifier la commande d’un équipement
avant sa mise en service, pour prévoir des incidents ou des pannes avant qu’elles
n’apparaissent ou encore pour étudier la fiabilité de composants mécaniques exposés
à des conditions extrêmes.
Les systèmes cyber-physiques (CPS) sont des systèmes formés d’entités
collaboratives, dotées de capacité de calcul, en connexion intensive avec le monde
physique environnant et les phénomènes s’y déroulant, fournissant et utilisant à la fois
les services de mise à disposition et de traitement de données disponibles sur le
réseau. Le principe est présenté sur la figure 3.

Alors que Lee, Bagheri et Kao [4] décrivent plusieurs niveaux de CPS (cf. figure 4), ce
qui nous intéresse ici du point de vue l’IA sont les niveaux C3 (apprentissage système),
C4 (autodiagnostic) et C5 (auto-adaptation). Les co-bots, présents dans les usines du
futur, ont pour principe de collaborer avec des opérateurs humains via en général des
écrans tactiles.
Intelligence artificielle – de 3.0 à 4.0

Bien que le déclencheur de la nouvelle vague de l’IA a été le marketing et le leitmotiv

de vendre plus et au plus grand nombre, les techniques pour explorer le big data sont
bien connues par la communauté de l’IA sous le nom « fouille de données>>.

Cap Digital Ryszard Michalski and George constate : « Cette nouvelle vague de
l’intelligence artificielle cultive une volonté de s’approcher voire d’augmenter et
améliorer nos fonctions humaines. Les interfaces deviennent plus naturellement «
humaines » et rentrer en contact avec des machines n’a jamais été aussi intuitif.
L’interface tactile est d’ores et déjà une norme, la voix tend à devenir un nouveau
canal de contrôle pour la maison par exemple. La machine et l’humain tendent à se
fondre et se confondre, à s’interpeller l’un l’autre pour s’enrichir mutuellement ».

C’est cette IA 4.0 combinant les techniques liées au traitement des connaissances et la
découverte d’information (appelée à tort « connaissance ») de big data qui rend des
vrais services à l’Industrie 4.0. Décortiquons la vision de Vinci énergies : « En étant
connectées entre elles, les machines sont capables de produire intelligemment. Dans
les faits, cela se retrouve sur de nombreux points, par exemple :

— Une production plus flexible qui permet de s’adapter à la demande en temps réel
(programmation par contraintes).
— Une traçabilité poussée, qui permet de savoir où et quand a été fabriqué le produit,
mais aussi comment. À cela s’ajoutent des contrôles de sécurité tout au long de la
fabrication, qui permettent de rappeler un produit en cas de défaillance, de manière
ciblée et plus rapidement (reconnaissance de formes).

— Des machines capables de contacter un spécialiste apte à les dépanner á distance ,

ou pour se mettre à jour et améliorer leurs performances, grâce à Internet (diagnostic).

— Une scénarisation du cycle de production grâce à laquelle la fabrication est pilotée

en fonction du client et qui est capable de personnaliser le produit (taille, couleur, type
d’emballage...), (modélisation par scenario – Shank, 1990 mais aussi CBR, Legrand).

— Une optimisation des consommations par l’efficacité énergétique : la production est

optimisée en fonction du coût de l’énergie et de sa disponibilité au cours d’une
journée, lorsqu’elle est moins chère ou lorsque les énergies alternatives sont
utilisables. Une mise hors tension des machines est également effectuée si elles n’ont
pas besoin de fonctionner. Les remontées d’informations peuvent aider à optimiser les
consommations et participent ainsi à l’efficacité énergétique de l’usine (système
hybride combinant systèmes experts, Bayésien et réseaux de neurones [3]). »

Les problèmes complexes ne peuvent pas être résolus avec une seule technique,
comme les médias semblent le faire croire aujourd’hui. Par exemple, les systèmes de
vision industrielle utilisés dans les secteurs de l’automobile, de l’agroalimentaire, de
l’emballage, du médical et de l’industrie pharmaceutique mettent en œuvre à la fois
des composants matériels et logiciels, tels que l’éclairage, les lentilles, les capteurs et
les équipements de communication et d’analyse de données, tâches d’identification,
contexte d’automatisation de la production, les systèmes de guidage des robots.

Logistique 4.0 et IA

Le machine learning & l’IoT

Le développement du machine learning et de l’IoT est en train de faire évoluer la

gestion de la chaîne logistique vers un monde où le directeur logistique devient le
chef d’orchestre d’un entrepôt où les IA communiquent entre elles afin d’anticiper les
besoins des clients et d’optimiser la préparation des commandes.

Le machine learning associé au IoT devrait permettre aux logiciels de la chaîne

logistique de connaître les meilleures modifications à effectuer sur l'organisation
logistique grâce aux données sauvegardées, au cloud et à l’Internet des Objets.

L’automatisation des systèmes de transfert des marchandises utilisés dans l’entrepôt

est sur le point de permettre une véritable réduction des coûts et un gain de temps
considérable. 

Qu’il s’agisse par exemple des systèmes de navettes au sein des canaux de rayonnages
ou des véhicules à guidage automatique (AGV), à la fois intelligents et autonomes, ils
assurent un transport sûr et efficace des marchandises à l’intérieur de l’entrepôt et
des canaux de rayonnages et permettent une amélioration certaine de l’efficacité de la
préparation des commandes. 

La gestion de l’entrepôt de stockage pourrait ainsi devenir en partie autonome.

En plus des systèmes de navettes (shuttles) et des AGVs, de nombreux autres robots
ou solutions d’automatisation ont vu le jour. Ils sont les moteurs du dynamisme de la
logistique 4.0 et représentent des solutions logistiques efficaces, économiques et
fiables pour les responsables logistiques.

On peut citer notamment :

- Les bras robotiques de saisie tri-directionnels et robot portiques

- Les transstockeurs

- Les convoyeurs automatisés et notamment les convoyeurs aériens

- Les tours de stockage verticales.

Co-activité humain robot

La croissance annuelle de l’utilisation de la robotique  en intralogistique est supérieure

à 30 %.
L’utilisation des Cobots dans le cadre de la robotique collaborative offre également
des solutions logistiques pratiques pour éviter aux humains d’effectuer des tâches
répétitives tout en lui offrant une place dans la chaîne logistique.

L’objectif des cobots est d’aider les opérateurs à développer et à réaliser diverses
tâches dans leur environnement de travail. La polyvalence de ces cobots est un réel
avantage : ils peuvent être programmés pour fonctionner de manière autonome ou
bien être guidés par un opérateur. Le nombre de préparateurs de commande à
recruter est donc moindre, tout comme le taux d’erreurs et la pénibilité du travail.

La robotique collaborative se numérise et récolte toujours plus de données. Grâce à

elle, la Supply Chain peut donc être optimisée à tous les niveaux.

Les champs d’application de l’intelligence artificielle en Supply Chain

Les champs d’application de l'intelligence artificielle en Supply Chain sont toujours en

cours de développement et devraient atteindre leur potentiel maximum d'ici quelques
années. Cependant, nous l'utilisons déjà dans notre secteur pour :

1. La prévision des tendances de consommation

L'intelligence artificielle fait appel au Big Data à des fins logistiques : elle regroupe les
informations internes de l’entreprise telles que l'historique des ventes, avec des
données externes extraites sur des forums, des réseaux sociaux, ou d’autres sources
sur Internet. De cette manière, l’IA peut prédire les intentions d'achat des
consommateurs, les ruptures de stock, et permet aux sociétés d’éviter le surstockage
de marchandises. Ainsi, toutes les ressources sont mieux réparties.
2. L'automatisation du transfert des produits dans l'entrepôt

Le stockage automatisé fait partie des acteurs principaux de l'intelligence artificielle

en Supply Chain. En effet, les entrepôts automatiques combinent deux systèmes
fondamentaux : la robotique et le logiciel de gestion. Unis, ces éléments réalisent le
transport et l'adressage des produits de manière autonome.
Cette répartition des tâches génère des modèles qui sont analysés au fil du temps. De
cette manière, l'intelligence artificielle aide les responsables de la Supply Chain à
mieux assigner leurs ressources. Elle leur permet également d'adapter les
mouvements s'ils modifient leurs circuits.

3. La sélection des itinéraires et l’optimisation des déplacements

La coordination du transport en Supply Chain est désormais plus facile avec l'IA et
concerne deux branches principales :

La gestion des déplacements intralogistiques : le logiciel WMS enregistre la

radiographie numérique des installations de l'entreprise et des mouvements qui y sont
effectués. Il traite les données et optimise le transport des marchandises en entrepôt ;
qu'il soit effectué par des robots, des solutions de stockage automatisé, ou des
opérateurs assistés par des engins de manutention.

La gestion de la flotte : grâce à l'intelligence artificielle, les informations de trafics

récentes sont interprétées et intégrées au matériel informatique local. Ainsi, le logiciel
trace de meilleurs itinéraires de livraison et corrige les trajets en temps réel en cas
d'incidents.

4. Le contrôle de l’information au cours de la Supply Chain

Grâce à l'intelligence artificielle, l'automatisation des processus de la Supply Chain

s'est améliorée et ouvre la porte à une maintenance des stocks en temps réel, à
l'émission instantanée des bons de commandes et au suivi précis de ces dernières.
Les logiciels de gestion d'entrepôt tels qu’Easy WMS de Mecalux, facilitent la
programmation de toutes ces opérations quotidiennes en entrepôt.

De plus, l'intégration des données et l'amélioration des systèmes de traçabilité des

produits permettent de satisfaire ce besoin qu’a le consommateur de tout savoir. Il
peut par exemple connaître rapidement et efficacement où se trouve son colis acheté
sur Internet grâce à des chatbots dotés d'intelligence artificielle.

Les bénéfices de l’intelligence artificielle pour la Supply Chain

Grâce à l’utilisation de l'intelligence artificielle en Supply Chain, vous réussirez à :

 Réduire le nombre d'erreurs et améliorer la précision de vos flux logistiques.

  Augmenter l’efficacité de votre centre et de vos employés.
 Confier une grande partie des opérations répétitives à des systèmes
automatiques qui apprennent avec le temps.

 Remettre les processus créatifs et les décisions stratégiques entre les mains de
vraies personnes.

INFORMATISATION

Le terme « informatique industrielle » désigne la branche de l'informatique regroupant

l'ensemble des techniques de conception, d'analyse et de programmation des
systèmes informatiques à vocation industrielle. Constituant un domaine très vaste,
elle trouve de multiples applications dans l'industrie.

La production et l'informatique industrielle

À l'heure où ce sont de plus en plus les robots qui travaillent en usine sur les chaînes
de montage, l'informatique industrielle a plus que jamais sa place dans le domaine, que
ce soit par le biais de :

FAO, fabrication assistée par ordinateur, qui permet de programmer et piloter les
outils de production

GPAO, ou gestion de production assistée par ordinateur, qui offre un suivi du cycle
complet de la production depuis l'achat des matières premières jusqu'à la livraison du
produit fini

MAO, maintenance assistée par ordinateur

C'est donc grâce à l'informatique industrielle que l'on programme les automates
affectés à la production, mais également que l'on détecte leurs pannes et que l'on
planifie leur maintenance. Bien souvent, c'est même la chaîne de fabrication, voire
l'usine entière qui est pilotée par l'outil informatique, que ce soit un seul ordinateur
central ou un réseau d'ordinateurs reliés ensemble.

Informatique industrielle : une conception assistée par ordinateur

C'est également l'informatique industrielle qui permet de réaliser la conception
assistée par ordinateur (CAO) et le dessin assisté par ordinateur (DAO). Les logiciels et
les techniques de modélisation géométrique contribuent à élaborer des produits et
des outils pour les fabriquer, puis à les tester virtuellement. On utilise ces
technologies dans de nombreux domaines notamment en :

mécanique, dont la mécanique de précision, pour modéliser de nombreuses

contraintes liées entre autre aux différents matériaux utilisés. Les logiciels modernes
permettent de concevoir les objets en trois dimensions, de plier virtuellement les
matériaux, de percer les pièces ou encore de faire des retouches.

électronique, pour concevoir des circuits électroniques et des microprocesseurs. La

suite de logiciels permet de réaliser la saisie schématique du circuit, la simulation, le
placement des composants et le routage. La CAO est particulièrement utile dans le
cas des circuits imprimés, notamment lorsque le tracé des pistes doit être effectué sur
plusieurs couches.

électrotechnique, pour élaborer les plans de câblage électrique pour la distribution

d'énergie, l'industrie, l'automobile ou encore l'aéronautique. L'outil informatique
permet de gérer le projet dans son ensemble, aussi bien les plans que les liens entre
les composants, les borniers ou les faisceaux de câblage. Les logiciels d'électronique
offrent deux types de conception : le mode symbolique, et depuis plus récemment, le
mode objet. Cette technique permet d'effectuer des modifications d'appareils et de
câbles ainsi que des mises à jour sur le projet en temps réel et ce, sans se soucier de
devoir régénérer, par exemple des nomenclatures ou des borniers.

architecture, notamment dans le cadre des gros projets. Les présentations des
dossiers auprès des décideurs se font souvent au moyen de dessins en 3D.

urbanisme et la planification urbaine, afin de concevoir des bâtiments et des quartiers

entiers grâce à la modélisation en trois dimensions. Les logiciels 3D permettent en
outre d'intégrer des éléments provenant de sources hétérogènes telles que les
sociétés d'autoroute, les collectivités locales ou les entreprises de travaux publics.

médecine. Dans le secteur médical, l'informatique industrielle trouve des applications

aussi bien dans la conception de matériel orthopédique que dans le domaine
moléculaire, grâce à la CAO moléculaire qui permet de numériser des molécules
existantes mais également d'en concevoir de nouvelles.

L'informatique industrielle est de nos jours couramment utilisée dans de nombreux

domaines. Étroitement liée à l'avenir de l'industrie, il s'agit d'un secteur en constante
expansion qui recrute régulièrement : une branche prometteuse où les postes à
pourvoir et les rémunérations offertes sont souvent parmi les plus intéressants sur le
marché des emplois en informatique.

Les 4 défis de l'informatique industrielle pour les cinq prochaines années

La cybersécurité, une priorité absolue
Selon de nombreuses études, la pandémie a entraîné une augmentation massive des
cyberattaques. Ainsi, d’après une tribune publiée par Forbes, ce type d’attaques a
connu une augmentation de 238% dans le secteur bancaire et de 600% sur les
serveurs cloud entre janvier et avril 2020. Cette croissance exponentielle des
cyberattaques va dès lors continuer à impacter fortement la cybersécurité dans tous
les secteurs, y compris celui de l’industrie. 
Bien que la cybersécurité ne soit pas une nouveauté dans les environnements
industriels, la transformation numérique du secteur engendre des défis qui lui sont
propres. Les capteurs et appareils IIoT, ainsi que leur déploiement, entraînent des
risques de sécurité qui ont déjà été bien documentés. Dans le même temps, les
composants OT ont besoin de « s’ouvrir » pour se connecter à de nouveaux systèmes
et appareils, ce qui entraîne toute une série d’autres risques de sécurité. Le problème
est amplifié par le fait que les concepts et outils standards de sécurité développés
pour l’IT ne fonctionnent pas nécessairement pour l’OT.
Connecter le monde de l’OT nécessite donc une stratégie de cybersécurité solide,
avec une informatique qui s'adapte pour répondre aux nouvelles exigences de
sécurité de l’OT et pour sécuriser les composants et matériels IIoT.

La connexion à la donnée industrielle 

Compte tenu de l'importance des données provenant des ateliers de production et
des appareils IIoT, les passerelles industrielles intelligentes ont commencé à jouer un
rôle pivot dans les environnements industriels.
Ces interfaces peuvent être connectées à divers éléments de l’usine tels que des
machines et se chargent de l'agrégation des données et de leur envoi à divers points
de terminaison tels que les fonctions d’exploitation ou de maintenance. Il s’agit donc
de passerelles qui permettent d’accéder à des données importantes du processus de
production.
L'intégration de ces dispositifs dans les infrastructure actuelles continuera d'être un
thème central pour de nombreuses entreprises dans leur passage à l’industrie 4.0. Par
conséquent, la supervision de l’infrastructure globale aura pour rôle de s'assurer que
ces passerelles sont bien connectées, disponibles et fonctionnent comme elles le
devraient.

Standardisation des protocoles de communication 

Avec l'interconnexion des capteurs et appareils IoT avec l'OT et d'autres points de
contact, il est nécessaire de disposer d'un "langage" commun pour assurer la
communication entre les composants des différentes technologies. La norme OPC
UA s'impose de plus en plus comme un choix largement adopté, et cette tendance
devrait se poursuivre dans les années à venir.
Mais quel que soit le standard adopté par un fabricant, il sera nécessaire de
l’implémenter et de l'intégrer dans l'infrastructure existante.
Des solutions cloud flexibles
Aujourd’hui, le traitement des données peut se faire à différents endroits : dans le cloud,
sur site (on-premises), en périphérie (edge computing), ou grâce à une combinaison de
ces éléments. La tendance pour les architectures multi-cloud, à savoir des services de
plusieurs cloud qui se rassemblent dans une seule solution, devrait se poursuivre. Tout
comme cette autre tendance de l’utilisation de scénarios hybrides, où les appareils edge,
le matériel sur site et les services en cloud sont combinés dans une solution intégrée.
Il sera important pour les industriels d'identifier leurs besoins et de concevoir ou
sélectionner la meilleure solution cloud en fonction de leurs cas d’usage spécifiques.

Traitement et analyse des données

La nature même de l’IIoT fait que des données sont générées par des capteurs, des
appareils et des machines connectées. Ces données peuvent être extrêmement utiles
pour identifier les tendances, obtenir des informations sur les processus de production et
prendre des décisions.
A titre d’exemple, la collecte d'informations sur le fonctionnement d'une machine à l'aide
de capteurs peut donner des indications sur le moment où elle devra être entretenue.
Cela permet aux techniciens d'effectuer une maintenance prédictive au lieu de procéder à
l’opération sur la base d'une date du calendrier, et donc d'économiser des coûts inutiles.
Toutefois, ces données doivent être collectées, les informations qu'elles génèrent doivent
être comprises et le cas échéant, des alertes doivent être émises lorsque certaines
valeurs dépassant des seuils définis indiquent que la machine a besoin d'être entretenue.
Ou bien prenons comme autre exemple l'efficacité énergétique que les industriels sont de
plus en plus poussés à optimiser par le biais de la législation et de la réglementation. En
utilisant les données des compteurs d'énergie (communiquées via des protocoles comme
Modbus), les industriels peuvent analyser leur consommation d'énergie et identifier les
moyens de l'améliorer. Mais là encore, les données ont d’abord besoin d’être collectées et
comprises.
Le défi consiste à déterminer la nature des données récupérées et la façon de les utiliser.
Cette compréhension permettra également de savoir comment l’IIoT est déployé, ce qui
constitue un élément crucial du puzzle. Avec tous les changements et innovations qui se
succèdent, la clé de la réussite est de pouvoir rapidement adapter l’IT et de faire évoluer
ses capacités en conséquence, au fur et à mesure que de nouveaux besoins continuent à
modifier l’industrie.