Digitallia, expert en développement de solutions d’intelligence artificielle sur mesure, a été sollicité par une entreprise manufacturière, spécialisée dans la production de pièces mécaniques. L’entreprise faisait face à des interruptions fréquentes de sa chaîne de production dues à des pannes imprévues de ses équipements.
Ces arrêts entraînaient :
Le client souhaitait anticiper les pannes d’équipements critiques grâce à une solution d’analyse prédictive, tout en optimisant la gestion des stocks de pièces détachées pour minimiser les temps d’arrêt.
Sur mesure pour nos clients
Modèles développés
Algorithmes affinés, IA entrainés
Mois en moyenne
Pour générer un ROI exploitable
Le volume et la diversité des données
Les données collectées provenaient de capteurs variés installés sur les machines (température, vibration, pression, durée d’utilisation) et étaient générées en temps réel.
La précision des prédictions
Il fallait concevoir un système capable de détecter avec précision les signes avant-coureurs des pannes pour éviter les alertes inutiles ou les interventions tardives (modèle CNN sur mesure utilisé ici, avec un dataset assez faible donc complexe, Digitallia a dû enrichir le dataset avec des données non connectées pour nourrir le modèle et les algorithmes développés)
La gestion des stocks de pièces détachées
Une meilleure anticipation des pannes devait permettre d’optimiser les commandes de pièces, évitant les surplus ou les pénuries.
L’intégration aux systèmes existants
La solution devait s’intégrer sans friction avec les logiciels d’ERP et les outils de gestion de production (API Webservices)
Nous avons conçu une solution de maintenance prédictive sur mesure en s’appuyant sur les technologies suivantes :
Collecte et traitement des données
Déploiement d’une plateforme d’intégration des données issues des capteurs de l’usine. Ces données ont été nettoyées, centralisées et standardisées pour une exploitation efficace. Nous avons également enrichi les données pour disposer d’un dataset plus grand pour entrainer l’IA en labellisant et nettoyant les données non numériques.
Modèle d’apprentissage automatique
Création d’un modèle de machine learning type CNN (Convolutional Neural Network) capable d’analyser les données historiques et en temps réel pour identifier des anomalies. Le modèle a été entraîné pour détecter des schémas spécifiques indiquant une probabilité accrue de panne avec un scoring amélioré et améliorable (évolutif)
Mise en place d’une interface
Affichant les données de pilotages avec un système de notification et d’alerte en temps réel, affichage des recommandations, un module dédié à l’optimisation des stocks de pièces détachées.
Intégration à l’ERP
La solution a été intégrée au système ERP existant, automatisant la gestion des commandes de pièces selon les prévisions d’usure et les besoins. Pour cela, Digitallia a conçu une API sur mesure, avec une documentation claire, permettant aux équipes informatiques du client de connecter la solution IA à leurs outils métier et ERP.
Après 6 mois de déploiement de la solution, notre client a constaté des améliorations significatives :
Le volume et la diversité des données
Les données collectées provenaient de capteurs variés installés sur les machines (température, vibration, pression, durée d’utilisation) et étaient générées en temps réel.
La précision des prédictions
Il fallait concevoir un système capable de détecter avec précision les signes avant-coureurs des pannes pour éviter les alertes inutiles ou les interventions tardives (modèle CNN sur mesure utilisé ici, avec un dataset assez faible donc complexe, Digitallia a dû enrichir le dataset avec des données non connectées pour nourrir le modèle et les algorithmes développés)
La gestion des stocks de pièces détachées
Une meilleure anticipation des pannes devait permettre d’optimiser les commandes de pièces, évitant les surplus ou les pénuries.
L’intégration aux systèmes existants
La solution devait s’intégrer sans friction avec les logiciels d’ERP et les outils de gestion de production (API Webservices)
Réduction des arrêts de production
Optimisation des coûts de maintenance
Gestion optimisée des stocks
Amélioration de la productivité
La production a gagné en fluidité, permettant une augmentation de 11 % du volume de production mensuel.
Vous souhaitez du conseil en intelligence artificielle, développer une IA sur mesure ou mettre en place une brique d’IA existante sur le marché ? Nous vous aidons à profiter des aides financières à votre disposition.
Nous sommes concepteurs et développeurs d’intelligences artificielles sur mesure.
Nous vous accompagnons dans vos projets.
