Maintenance intelligente grâce à l'intelligence artificielle
Maintenance prédictive dans l'usine BMW de Ratisbonne
Prévenir les temps d'arrêt non planifiés, tel est l'objectif du système d'analyse intelligent utilisé pour l'assemblage dans l'usine BMW de Ratisbonne. La maintenance prédictive est proactive et préventive: c'est exactement ce que fournit le système de surveillance intelligent.
L'analyse des équipements de transport en fonction des données permet d'identifier et d'éviter rapidement les défaillances potentielles, ce qui permet de maintenir une production optimale des véhicules. Grâce à l'intelligence artificielle, le système permet d'éviter en moyenne quelque 500 minutes d'interruption par an dans l'assemblage des véhicules, rien qu'à l'usine de Ratisbonne.
Une réponse préventive plus rapide
Pour l'assemblage à l'usine BMW de Ratisbonne, les véhicules sont généralement attachés à des supports mobiles ou à des systèmes de châssis mobiles, appelés skids, qui traversent les halls de production en chaîne. Toute défaillance technique dans les systèmes de transport de pointe peut entraîner l'arrêt des lignes d'assemblage, ce qui se traduit par une maintenance accrue et donc des coûts plus élevés.
Pour éviter cela, l'équipe d'innovation de BMW à Ratisbonne a mis au point un système capable de détecter rapidement les défauts techniques potentiels, ce qui permet d'éviter les pertes de produits. Les éléments du convoyeur peuvent être retirés de la chaîne de montage et réparés en dehors de la production. L'avantage est que le système de surveillance ne nécessite pas de capteurs ou de matériel supplémentaire, mais évalue les données existantes des composants et des convoyeurs installés. En cas d'écart, une alarme se déclenche.
Par exemple, les transporteurs qui acheminent les véhicules sur la chaîne de montage envoient diverses données au système de surveillance des transporteurs. Ces données sont ensuite envoyées, via le transporteur et le système de contrôle de l'usine, à la plateforme de maintenance prédictive de BMW Group, basée sur le cloud.
C'est là que l'analyse commence: l'algorithme recherche en permanence des anomalies, telles que des fluctuations de la consommation d'énergie, des anomalies dans les mouvements de transport ou des codes-barres qui ne sont pas suffisamment lisibles, ce qui pourrait entraîner une erreur. Lorsque des anomalies sont détectées, le centre de contrôle de la maintenance reçoit une alerte qu'il attribue au technicien de maintenance en poste. "Le système de surveillance de notre centre de contrôle est actif 24 heures sur 24 et 7 jours sur 7", explique Oliver Mrasek, chef de projet. "Cela nous permet de réagir rapidement à toute anomalie et de retirer le véhicule concerné du cycle.
Mise en œuvre avec l'IA
La maintenance prédictive n'est pas une solution en soi, souligne M. Mrasek. Le système a été standardisé en collaboration avec la direction centrale de l'atelier de BMW Group afin de permettre une mise en œuvre rapide et simple dans d'autres usines. Cette approche est également particulièrement rentable: "Nous n'avons pas besoin de capteurs supplémentaires, nous n'avons donc que des coûts de stockage et de traitement des données."
Des modèles teach-in, ou d'apprentissage automatique, ont été développés au sein de BMW Group et intégrés dans le système, qui utilise des cartes thermiques avec différents codes de couleur pour visualiser les écarts. "Cela nous permet de suivre les différents schémas d'erreur dans les composants et de réagir de manière stratégique", explique M. Mrasek.
Les algorithmes sont constamment améliorés et affinés sur la base de ces données pratiques. L'équipe connecte actuellement des installations supplémentaires afin d'optimiser le système et d'intégrer les actions recommandées dans les messages d'erreur. Par exemple, le message d'erreur peut indiquer des problèmes similaires ailleurs dans un système. Cela simplifie le dépannage pour les techniciens. "Une maintenance prédictive optimale nous permet non seulement d'économiser de l'argent, mais aussi de livrer le nombre de véhicules prévu dans les délais, ce qui nous épargne beaucoup de stress au sein de la production", déclare Deniz Ince, le data scientist de l'équipe.
La prévisibilité comme objectif
M. Mrasek et ses collègues travaillent sur ce système de surveillance basé sur les données depuis six ans. Aujourd'hui, environ 80% des chaînes d'assemblage principales sont surveillées de cette manière. "Bien sûr, nous ne pouvons pas détecter ou prévenir toutes les défaillances à l'avance, mais pour l'instant, nous évitons au moins 500 minutes d'arrêt par an rien que pour l'assemblage des véhicules", explique M. Mrasek.
Il est assez facile de calculer les économies ainsi réalisées. À l'usine de Regensburg, un véhicule sort de la bande toutes les minutes environ, et le système est déjà utilisé dans les systèmes de bandes transporteuses des usines de Dingolfing, Leipzig et Berlin.
L'objectif est d'explorer plus avant le potentiel de l'IA, le système apprenant à estimer le temps qui s'écoule entre la détection d'une erreur et le temps d'arrêt potentiel. Cela peut aider les techniciens à décider du moment où ils doivent programmer la maintenance, en établissant des priorités. M. Mrasek entrevoit d'autres possibilités dans d'autres secteurs de l'usine: "Nous testons actuellement la possibilité d'utiliser le système pour l'équipement nécessaire au remplissage des véhicules avec du liquide de frein et du liquide de refroidissement, par exemple".
Bien qu'il existe déjà plusieurs options pour la maintenance prédictive, le système d'apprentissage intégré de Ratisbonne est pour l'instant unique en son genre. Par conséquent, la compatibilité avec la maintenance prédictive est déjà prise en compte lors de l'achat d'une nouvelle technologie de convoyage. Les fabricants d'équipements font l'éloge du système car ils bénéficient des évaluations fournies. Le groupe BMW a déjà déposé deux brevets pour le système.
