L’intelligence artificielle est de plus en plus présente dans les ateliers de production, qu’il s’agisse de maintenance prédictive, de vision industrielle, d’analyse de la production ou de dépannage assisté par l’IA. Pourtant, pour les responsables d’usine, la vraie question n’est plus de savoir si l’IA peut être utilisée dans l’industrie manufacturière. La question la plus pratique est de savoir si elle peut résoudre un problème opérationnel clairement défini et apporter une amélioration mesurable sans perturber les systèmes de commande existants.
L’IA élargit le rôle de l’automatisation
L’automatisation industrielle traditionnelle est conçue pour exécuter de manière cohérente une logique prédéfinie. Les automates programmables, les plateformes DCS, les systèmes SCADA, les variateurs, les systèmes de sécurité et les instruments restent chargés de contrôler les processus physiques conformément aux règles établies.
L’IA ajoute une couche supplémentaire. Au lieu de simplement exécuter une séquence programmée, un système d’IA peut analyser de grandes quantités d’informations historiques et en temps réel, puis repérer des relations qu’une personne aurait du mal à détecter manuellement.
Par exemple, les données de production peuvent être combinées aux mesures de vibration, au courant des moteurs, à la température, aux dossiers de maintenance, à l’historique des alarmes et aux conditions de fonctionnement afin de repérer les tendances associées à la dégradation des équipements.
Du point de vue de l’ingénierie, cette distinction est importante. L’IA ne doit pas être considérée comme un remplacement de la couche de commande. Dans la plupart des usines, sa valeur immédiate viendra probablement davantage du soutien aux décisions autour du système de commande que du remplacement de la logique de commande déterministe.
Le manque de connaissances pourrait être plus préoccupant que le manque de main-d’œuvre
De nombreuses entreprises manufacturières ont accumulé des décennies de savoir-faire pratique grâce à des opérateurs, des techniciens, du personnel de maintenance et des ingénieurs en automatisation expérimentés. Cependant, une grande partie de ces connaissances ne figure pas dans des bases de données formelles.
Ces connaissances peuvent se trouver dans des notes de maintenance, des relevés manuscrits, des procédures de dépannage, d’anciens plans, les habitudes des opérateurs, des documents d’ingénierie ou simplement dans la mémoire d’un technicien qui travaille sur la même machine depuis 25 ans.
À mesure que le personnel expérimenté part à la retraite, cela crée un important problème de transfert des connaissances.
L’IA industrielle peut potentiellement relier les données des machines aux manuels, aux procédures opérationnelles standard, à l’historique de maintenance, aux relevés d’alarmes et à d’autres documents. Un technicien moins expérimenté peut alors disposer de davantage de contexte pour examiner une anomalie.
Cela ne supprime pas le besoin d’ingénieurs expérimentés. Au contraire, cela peut faciliter l’accès à leurs connaissances dans les différentes équipes et zones de production.
À mon avis, l’une des applications à court terme les plus prometteuses de l’IA dans l’industrie manufacturière consiste à préserver et à diffuser les connaissances opérationnelles plutôt qu’à tenter d’automatiser chaque décision humaine.
Les meilleurs projets d’IA partent d’un problème rencontré dans l’usine
Une erreur fréquente consiste à commencer par la technologie.
Une entreprise choisit une plateforme d’IA, développe un projet pilote, connecte quelques sources de données, puis se demande seulement ensuite quel résultat commercial le système est censé produire.
L’approche d’ingénierie devrait être inversée.
Commencez par un problème mesurable :
- Quels équipements sont à l’origine du plus grand nombre d’arrêts imprévus ?
- Quels écarts de processus entraînent les coûts de rebuts les plus élevés ?
- Où les techniciens consacrent-ils trop de temps au dépannage ?
- Quelles alarmes nécessitent régulièrement l’intervention d’ingénieurs chevronnés ?
- Quelles tâches d’inspection manuelle mobilisent beaucoup de main-d’œuvre ?
- Où la consommation d’énergie est-elle supérieure aux prévisions ?
- Quels paramètres de production sont difficiles à optimiser avec les méthodes conventionnelles ?
Une fois le problème défini, l’IA devient une solution d’ingénierie possible, plutôt que l’objectif en soi.
Un projet utile devrait, à terme, être lié à des indicateurs de l’usine comme les temps d’arrêt, le débit de production, le rendement, les rebuts, les coûts de maintenance, la qualité, l’utilisation de la main-d’œuvre ou la consommation d’énergie.
Les projets pilotes ne garantissent pas une valeur en production
Les fabricants ont mené de nombreuses expériences d’IA, mais une démonstration réussie ne se traduit pas automatiquement par un système de production performant.
Un projet pilote peut détecter correctement une anomalie sur une machine à partir d’un jeu de données limité et dans des conditions contrôlées. L’environnement de production est différent. Des capteurs peuvent tomber en panne, des instruments être réétalonnés, la logique des automates modifiée, les recettes de production changées, les connexions réseau devenir indisponibles et le personnel d’exploitation réagir différemment des hypothèses formulées pendant le développement.
C’est là que de nombreuses initiatives d’IA rencontrent des difficultés.
Le véritable test n’est pas de savoir si un modèle d’IA fonctionne lors d’une démonstration. Il consiste à vérifier s’il continue de fournir des informations utiles après son intégration aux procédures d’exploitation habituelles de l’usine.
Il ne faut pas négliger l’infrastructure d’automatisation existante
Les usines de fabrication ont rarement le luxe de partir d’une architecture vierge.
Une installation typique peut comprendre plusieurs générations d’automates programmables, de contrôleurs DCS, d’interfaces homme-machine (IHM), de systèmes SCADA, d’historiens, d’entrées/sorties déportées, de variateurs de fréquence, d’équipements de surveillance d’état, de réseaux Ethernet industriels et d’appareils série anciens.
Remplacer cette infrastructure simplement pour intégrer l’IA est généralement peu réaliste.
Une stratégie de modernisation est donc plus réaliste. Les données peuvent être recueillies à partir des historiens existants, des interfaces OPC, des automates programmables, des systèmes de surveillance d’état, des bases de données et d’autres sources disponibles, tout en conservant intacte l’architecture de commande principale.
Cette approche réduit également le risque d’introduire des changements inutiles dans des systèmes de production validés.
L’objectif devrait être d’ajouter de l’intelligence à une infrastructure d’automatisation éprouvée, et non de reconstruire toute l’usine parce qu’une nouvelle technologie est apparue.
La qualité des données détermine celle de l’IA
L’IA ne peut pas compenser la mauvaise qualité des données industrielles.
Si les identifiants des instruments sont erronés, si les horodatages sont incohérents, si les valeurs des capteurs comportent des lacunes, si les états des équipements ne sont pas documentés ou si les données historiques manquent de contexte, le modèle obtenu peut produire des conclusions techniquement impressionnantes, mais trompeuses sur le plan opérationnel.
Ce problème est souvent sous-estimé, car les données de fabrication sont générées en continu. De grandes quantités de données ne sont pas forcément synonymes de données de qualité.
Avant de mettre en œuvre une application d’IA, les ingénieurs doivent comprendre :
- D’où proviennent les données
- Comment les capteurs et les instruments sont étalonnés
- Si les horodatages sont synchronisés
- Comment les états des équipements sont identifiés
- Comment les valeurs manquantes sont traitées
- Si les événements de maintenance passés sont documentés avec précision
- Quels membres du personnel ou quels systèmes sont responsables des données
- Comment les modifications des configurations des PLC et des DCS influent sur le sens des données
Un jeu de données simple et bien documenté peut avoir plus de valeur que des millions d’enregistrements dépourvus de contexte.
La sécurité doit rester à l’écart des expérimentations en IA
Les conséquences d’une recommandation erronée de l’IA dépendent fortement de l’application.
Utiliser l’IA pour résumer des dossiers de maintenance est fondamentalement différent du fait d’autoriser une décision générée par l’IA à influer directement sur un arrêt lié à la sécurité.
Dans les industries de transformation, les usines chimiques, les raffineries, les centrales électriques et les autres environnements à haut risque, les fonctions de sécurité déterministes doivent continuer à fonctionner selon les principes d’ingénierie établis et les exigences de sécurité applicables.
L’IA peut faciliter la surveillance, le diagnostic, la détection des anomalies et l’aide à la décision, mais cela ne signifie pas qu’il faut lui confier automatiquement le contrôle des fonctions de sécurité.
Une architecture pratique doit définir clairement ce que l’IA est autorisée à observer, ce qu’elle peut recommander et quelles actions doivent rester sous le contrôle des systèmes conventionnels ou de la logique de sécurité.
Les directeurs d’usine n’ont pas besoin de devenir des spécialistes des données
Une autre idée reçue veut que les directeurs d’usine doivent soudainement devenir experts en apprentissage automatique, en grands modèles de langage et en agents d’IA.
Il doit comprendre ce que ces technologies peuvent et ne peuvent pas faire, mais son expertise la plus précieuse reste opérationnelle.
Un directeur d’usine comprend les contraintes de production, les priorités de maintenance, les capacités du personnel, les exigences de qualité, les impératifs de sécurité et les conséquences financières des arrêts.
Ces connaissances sont nécessaires pour déterminer si une application d’IA résout un problème pertinent.
Les équipes de mise en œuvre les plus efficaces réunissent donc plusieurs disciplines : exploitation, maintenance, ingénierie des systèmes de contrôle, réseaux IT/OT, ingénierie des données, cybersécurité et spécialistes de l’IA.
Les projets d’IA ont beaucoup plus de chances de réussir lorsque les personnes qui conçoivent le système comprennent le fonctionnement réel de l’usine.
Le retour sur investissement doit être mesuré avant toute généralisation
Un projet d’IA doit disposer d’une référence initiale avant son déploiement.
Par exemple, si la maintenance prédictive vise à réduire les temps d’arrêt, l’organisation doit établir la fréquence, la durée et le coût historiques des défaillances concernées. Si l’IA est utilisée pour le contrôle qualité, le taux de défauts existant et la charge de travail liée à l’inspection doivent être documentés.
Après la mise en œuvre, les mêmes indicateurs peuvent être comparés à la référence initiale.
La décision d’investissement devient ainsi beaucoup plus claire.
Un projet qui réduit de 30 minutes le temps de dépannage par incident peut être précieux dans une usine et négligeable dans une autre. De même, une légère réduction du taux de rebut peut représenter une amélioration financière majeure sur une ligne de production à grand volume.
L’essentiel, c’est que le retour sur investissement de l’IA dépend de chaque usine et doit être calculé à partir des résultats opérationnels, et non du degré de sophistication de la technologie.
La supervision humaine restera importante
Les procédés de fabrication sont soumis à des contraintes physiques qui ne peuvent pas toujours être parfaitement représentées dans les données historiques.
Un ingénieur expérimenté peut reconnaître qu’une valeur inhabituelle du capteur est due à un problème d’instrumentation plutôt qu’à un problème de procédé. Un technicien peut savoir qu’une machine donnée se comporte différemment au démarrage. Un opérateur peut connaître une condition de production qui n’est pas correctement documentée dans la base de données.
L’IA peut détecter des tendances, mais les humains apportent le contexte opérationnel.
Pour cette raison, je m’attends à ce que les systèmes de fabrication les plus efficaces adoptent une approche avec intervention humaine. L’IA détecte les anomalies, organise les informations, propose des causes possibles ou hiérarchise les actions, tandis que le personnel qualifié reste responsable des décisions ayant des conséquences opérationnelles.
La prochaine étape : l’intégration, pas seulement l’automatisation
Les discussions sur l’IA dans l’industrie manufacturière dépassent progressivement le cadre des projets pilotes isolés.
Le prochain défi est l’intégration : relier les capacités de l’IA aux systèmes d’automatisation existants, aux flux de travail de maintenance, à la documentation technique, aux historiens de données, aux systèmes de gestion des actifs et aux procédures opérationnelles.
Cette intégration nécessitera plus que l’achat d’une plateforme d’IA. Les usines devront définir clairement la propriété des données, normaliser les informations, mettre en place des mesures de cybersécurité, documenter les flux de travail et disposer de personnes qui comprennent à la fois les systèmes industriels et les logiciels modernes.
Les fabricants qui tireront le meilleur parti de l’IA ne seront probablement pas ceux qui déploieront le plus grand nombre de modèles. Ce seront les organisations qui cerneront des problèmes opérationnels précis, relieront à ces problèmes des données industrielles fiables, valideront les résultats avec du personnel expérimenté et ne généraliseront la solution qu’après avoir démontré sa valeur mesurable.
