Industrie & Excellence opérationnelle : data, un pilier de la qualité

Data for Quality : Enjeux et Perspectives dans l’Industrie

Dans un contexte industriel où la qualité des produits est primordiale, la gestion et l’exploitation des données jouent un rôle central. La thématique « Data for Quality » soulève des enjeux majeurs liés à l’acquisition, la structuration et l’analyse des données pour optimiser la performance industrielle.

Daher, acteur majeur du secteur, s’engage dans cette transition en explorant des solutions innovantes adaptées aux enjeux de son activité. À travers le regard de Edouard Rousseau, nous plongeons au cœur des réflexions et des attentes de Daher en matière de datas.

Interview Croisée

Edouard Rousseau, Responsable de Service Data / Expert Modélisation et Simulation de flux chez Daher

Marion Poissonneau, Responsable produit IOT – Plateforme Industrielle & Lab chez NaTran (ex GRTgaz)

**Pourquoi la Data for Quality est un sujet clé pour l’industrie ?**

La donnée est aujourd’hui un levier stratégique pour garantir la qualité des produits et optimiser les processus industriels. Pourtant, plusieurs obstacles freinent encore son exploitation efficace.

L’acquisition des données physiques : L’information est souvent disponible sur le terrain mais difficilement exploitable : elle est incomplète, imprécise ou peu fiable. Disposer d’outils plus performants pour capter et structurer ces données est un enjeu crucial.

La consolidation des données non structurées : Un grand nombre d’informations industrielles sont dispersées dans des fichiers non connectés (Excel, rapports, abaques). Le croisement de ces données reste un processus manuel, source de perte de temps et d’erreurs. L’IA pourrait ici jouer un rôle déterminant.

L’intelligence artificielle joue un rôle crucial dans la gestion de nos assets industriels chez NaTran, en offrant des solutions innovantes pour améliorer l’efficacité, la qualité et la sécurité.

Voici quelques exemples montrant comment nous utilisons l’IA chez NaTran, orientés vers les processus métier liés à la qualité de nos assets industriels :

Nous utilisons actuellement l’IA pour analyser les données en temps réel provenant des capteurs et des systèmes de surveillance afin de prédire quand un équipement est susceptible de tomber en panne. Cela nous permet de planifier des interventions de maintenance avant que des problèmes ne surviennent, réduisant ainsi les temps d’arrêt et les coûts de réparation ;
En utilisant des algorithmes d’apprentissage automatique, l’IA identifie des inefficacités dans les processus de production et peut nous proposer des améliorations. Par exemple, elle peut optimiser les paramètres de production pour minimiser les défauts et maximiser la qualité des produits ;
L’IA nous aide à identifier et à évaluer les risques associés aux assets industriels. Elle analyse les données historiques et les tendances pour prévoir les risques potentiels et proposer des mesures préventives.

**Les défis de la Data for Quality : quels enjeux ?**

Face à ces défis, les industriels attendent des solutions innovantes, mais restent vigilants face aux promesses parfois excessives des startups et fournisseurs de technologies. Trois axes d’amélioration sont particulièrement attendus :

Structuration et
accessibilité des données

Une des grandes promesses de l’IA est d’organiser et structurer des connaissances dispersées. Cependant, les modèles d’IA existants (LLMs) ne sont pas adaptés à des problématiques industrielles précises. Un vocabulaire métier spécifique et des bases de données complexes nécessitent des solutions adaptées.

La labellisation des données pour l’apprentissage

L’apprentissage automatique requiert des jeux de données bien annotés, mais la classification des défauts industriels est loin d’être triviale. Dans l’industrie :

Une donnée brute n’est pas exploitable sans contexte : il faut savoir si elle correspond à un défaut ou non.

Le Deep Learning non-supervisé semble peu adapté, car l’analyse industrielle exige des explications précises et non des corrélations opaques.

Une approche hybride combinant expertise humaine et outils d’annotation assistée par l’IA pourrait améliorer cette étape cruciale.

L’entraînement des modèles IA avec des volumes de données limités

Contrairement à d’autres secteurs où les données abondent, l’industrie aéronautique, par exemple, produit des séries limitées (60 avions/mois, avec des composants rarement multipliés par plus d’un facteur 10). Ce faible volume complexifie l’entraînement des modèles IA :
Il faut croiser des données issues de cas similaires mais non identiques.
Les défauts sont fréquents mais leur quantité absolue est trop faible et leur diversité trop grande pour créer des bases d’entraînement suffisantes.
Au-delà de la détection des défauts, l’enjeu est d’anticiper les conditions d’apparition des non-conformités (influencées par des dizaines de paramètres : températures, outils, opérateurs, maintenance…).
Le défi réside dans la capacité à entraîner des modèles performants malgré un faible nombre d’exemples, ce qui nécessite une avancée significative en IA industrielle.

En parallèle, la maîtrise et la confidentialité des données sont des enjeux critiques. Confier l’amélioration des processus à une startup implique des risques en termes de fuite de connaissances. Les industriels recherchent donc des partenaires fiables, capables de garantir la sécurité des informations stratégiques.

Chez NaTran, nous avons monté une Task Force IA afin de pouvoir répondre aux différents enjeux portés au travers de ces sujets. Avec l’utilisation de l’IA au service de nos différents processus métiers, nous essayons de répondre à ces quelques enjeux :

L’amélioration de la productivité et de l’efficacité opérationnelle ;
L’optimisation de nos processus métier ;
L’amélioration de la qualité de nos données ;
La gestion de nos risques industriels ;
La maintenance prédictive sur nos différents assets industriels.

Un exemple ci-dessous dans le cadre de la maintenance prédictive en station de compression :

Dans les stations de compression, les équipements peuvent être soumis à des vibrations et des températures élevées qui peuvent nuire à leur intégrité (fissures, casses, etc.). Des capteurs sont utilisés pour surveiller en continu ces paramètres. Les données collectées sont analysées grâce à de l’IA afin d’identifier les équipements à risque et tester des solutions de renforcement. Cela permet d’espacer les opérations de maintenance et d’assurer une meilleure intégrité des installations.

Quelles attentes en matière de solutions ?

Le potentiel de la Data for Quality est immense, mais sa mise en œuvre dans l’industrie pose des défis techniques et stratégiques.
Si l’IA peut apporter des solutions, elle doit être adaptée aux contraintes industrielles et aux volumes de données limités. Les entreprises doivent rester ouvertes aux innovations tout en évitant les écueils des approches trop génériques ou non maîtrisées.

J’attends plutôt de l’inspiration pour nous nourrir d’idées/suggestions proposées dans le cadre de l’appel à manifestation d’intérêt. Nous sommes actuellement dans une démarche d’exploration chez NaTran et nous sommes en train de nous structurer autour de l’apport de l’IA sur l’ensemble de nos processus métier.

Le défi est lancé : allier rigueur industrielle et avancées technologiques pour transformer les données en levier de compétitivité durable.

L’Appel à Solutions Industrie & Exigence opérationnelle vise ainsi à identifier des innovations à la fois performantes et pragmatiques pour relever les défis du secteur. 🚀

Les candidatures pour l’Appel à Solutions Industrie & Exigence opérationnelle sont maintenant clôturées.