L’expérience rencontre la technique : la production de Simmerring® à Weinheim est le théâtre d’un travail de recherche sur l’intelligence artificielle.
Compact
Un projet de recherche visant à améliorer les processus industriels grâce à l’intelligence artificielle (IA) est en cours dans l’usine de production Simmerring® de Weinheim.
Le projet vise à utiliser l’IA pour prédire les caractéristiques de qualité des pièces en élastomère moulées par injection et pour optimiser les processus de fabrication. L’accent est mis sur la réduction des déchets et l’amélioration de l’efficacité.
Les approches traditionnelles de l’IA nécessitent de grandes quantités de données. Cependant, la méthode utilisée ici intègre des corrélations physiques et l’expertise de collègues afin de réduire les données d’entraînement nécessaires et les temps de développement.
La recherche a été étendue à plusieurs types de machines et d’articles afin d’appliquer les connaissances à un maximum d’articles tout en garantissant la qualité du produit.
Das Projekt hat zudem die Zusammenarbeit mit anderen Freudenberg-Standorten, darunter Kufstein und Freudenberg Home and Cleaning Solutions in Italien, initiiert, um KI-Lösungen zu übertragen und zu skalieren.
Alexander Olbrich s’intéresse depuis des années à la manière dont les processus industriels peuvent être améliorés à l’aide de l’intelligence artificielle (IA). En tant que doctorant à l’Institut allemand de la technologie du caoutchouc, il est employé par la fonction du groupe Freudenberg Technology Innovation (FTI). Dans le cadre de sa thèse, il a déjà fait suffisamment d’essais dans le centre technique. « Mon objectif était d’appliquer mes résultats à des produits concrets de Freudenberg. Pour obtenir une compréhension approfondie des processus, la présence sur place était particulièrement importante pour moi. Pour cela, je voulais pénétrer le déroulement de la fabrication en détail et rechercher un échange étroit avec des collègues expérimentés qui travaillent quotidiennement sur les installations et qui disposent de connaissances pratiques approfondies ». C’est ainsi qu’il décrit les raisons qui l’ont poussé, il y a environ un an, à déplacer temporairement son centre de travail vers la production de Simmerring® à Weinheim.
Sarang Etemadi, Head of Operations de la division Dynamic Sealing à Weinheim, a soutenu ce projet. « Nous ne faisons pas cela parce que l’IA est un mot-clé sur toutes les lèvres, mais parce que nous attendons de l’IA un potentiel économique. L’IA doit aider les gens chez nous dans la production. Sous ces auspices, nous avons volontiers offert à Alexander Olbrich une plate-forme pour l’innovation dans le cadre de son projet de recherche sur l’IA. C’est une situation gagnant-gagnant qui nous aide à maîtriser encore mieux la diversité et la complexité de nos processus », rapporte-t-il.
Prévoir les propriétés, optimiser les processus
Comment l’IA permet-elle de prédire les caractéristiques de qualité des composants en élastomère moulés par injection ? Et comment optimiser le processus de fabrication en se basant sur les modèles d’IA ? Pour Olbrich, deux thèmes étaient concrètement au centre des préoccupations : premièrement, réduire les rebuts, deuxièmement, augmenter l’efficacité grâce à des temps de cycle optimisés.
Il décrit le thème du rebut par le terme de « perturbations de la viscosité ». Même de légères variations de certains lots de mélange ainsi que des conditions ambiantes changeantes influencent le comportement d’écoulement du matériau lors du moulage par injection. Cela peut entraîner tantôt un sous-remplissage, tantôt un surremplissage des cavités du moule. La conséquence : des rebuts. Un tel gaspillage de matière augmente les coûts de production.
D’autres types de rebuts sont directement liés aux variables du processus qui limitent l’efficacité. Par exemple, les composants sous-réticulés peuvent présenter des bulles ou des défauts de coulée. Il en résulte un conflit complexe entre les objectifs de temps de cycle et les taux de rebut. Le point de fonctionnement optimal qui en résulte peut à son tour se déplacer en raison des fluctuations des lots et de l’environnement.
« L’idée est de calculer l’influence de ces variations et, sur cette base, de prescrire un temps de vulcanisation et de cycle optimal à une température optimale », explique-t-il. L’encrassement des moules, appelé « mold fouling », peut également provoquer des déchets de production inutiles – Olbrich en a donc également tenu compte dans ses recherches.
De gauche à droite : Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Transférer les connaissances
Les approches classiques de l’IA ont besoin d’une grande quantité de données pertinentes pour développer leurs compétences en matière de solutions grâce à l’apprentissage automatique. Une situation de départ qui n’existe généralement pas dans l’environnement de production en raison d’un grand nombre de variantes de produits et de machines d’âges différents de différents fabricants. La solution à ce problème de modélisation du processus réside dans la prise en compte des relations physiques et de l’expertise des spécialistes sur place.
C’est ce qui a déterminé l’approche d’Olbrich : Exécuter des plans d’expériences, tout en lisant et en analysant des données, puis développer des modèles d’apprentissage automatique avec un pouvoir prédictif, et enfin mettre en œuvre des algorithmes de contrôle qui corrigent les dysfonctionnements et optimisent le processus. « La prise en compte de l’expérience des régleurs ainsi que de l’expertise des collègues de l’ingénierie des procédés était essentielle pour réduire de manière spectaculaire les données d’entraînement nécessaires et les temps de développement associés », explique Olbrich. Ce qui a commencé au début sur une machine avec un article, il l’a ensuite étendu à plusieurs types de machines et articles de la production de bagues Simmerring de Weinheim. « Compte tenu de la diversité des variantes sur le site, il s’agit de transférer les connaissances sur le plus grand nombre d’articles possible », explique-t-il pour décrire le contexte.
Comme la qualité des produits ne doit pas souffrir des gains d’efficacité, des tests sur bancs d’essai montrent si les propriétés souhaitées sont toujours présentes après des adaptations du processus. Olbrich souligne : « La qualité des produits finis est une priorité absolue. Pour garantir l’utilisation future, il est important d’associer étroitement les collègues du développement des produits afin de vérifier de manière critique la fonctionnalité des articles optimisés ».
Les recherches d’Olbrich reposent sur l’idée que les machines reconnaissent elles-mêmes, grâce à l’IA, l’existence d’un problème et prennent directement les mesures nécessaires pour optimiser le processus. Alternativement, l’intelligence artificielle aide les ouvriers en leur suggérant des adaptations de processus. Lui comme Etemadi sont clairs sur un point : l’IA est une aide, pas une panacée. Etemadi déclare : « L’IA peut générer de la transparence, rendre visibles des perturbations et des fluctuations qui seraient sinon à peine visibles. Mais nos gens restent énormément importants avec leur expertise et leur expérience ». Il ajoute : « Nos processus génèrent beaucoup de données. Celles-ci doivent être analysées. En combinaison avec notre Manufacturing Execution System (MES), l’IA peut considérablement soutenir cette évaluation afin d’optimiser nos processus. Les travaux de recherche d’Alexander Olbrich prouvent que cela fonctionne ».
Innovating Together – aussi avec Kufstein
Sa thèse de doctorat a également conduit Olbrich dans l’usine du Lead Center Integrated Molded Components à Kufstein. « À Kufstein, il s’agissait de réduire les rebuts et d’optimiser les temps de cycle lors de la fabrication de culbuteurs pour électrovannes. Les collègues autrichiens ont un niveau technologique impressionnant et ont pu fournir les meilleures conditions de départ pour mon travail », raconte-t-il. La similitude des deux cas d’application permet de nombreuses synergies positives entre les sites. Grâce à la collaboration commune avec les experts en numérisation de la division Special Sealing Products, les solutions développées ont pu être transformées en premières applications de démonstration. Le travail d’Olbrich a en outre initié l’échange entre les deux Lead Centers : pour trouver des standards et les conditions cadres nécessaires à l’utilisation de l’IA, que l’on peut faire évoluer au sein de FST, c’est-à-dire utiliser à grande échelle. « C’est Innovating Together », résume Etemadi.
Chez Freudenberg, cela fonctionne également au-delà de FST. « Pour un projet commun avec Freudenberg Home and Cleaning Solutions en Italie, nous avons pu transférer les solutions développées avec FST à Weinheim et Kufstein – sous une forme modifiée – au moulage par injection de thermoplastiques et les transférer dans un processus pilote », rapporte Olbrich. La prochaine étape pour lui est un séjour à l’étranger chez Freudenberg Medical aux États-Unis. Et un jour, « entre-temps », il devra rédiger sa thèse de doctorat sur ses projets et ses découvertes – sans le soutien de l’IA, bien sûr.
