UGV et machine-outil intelligente avec Emma – SmartEmma

Pour répondre à ces problématiques, l’idée du projet ANR SmartEMMA est de combiner les outils d’intelligence artificielle (fouilles de données automatiques et apprentissage non-supervisé) avec les méthodes d’ingénierie des connaissances, pour fournir aux opérateurs et aux différents acteurs du management opérationnel (bureau des méthodes, programmation, qualité, maintenance, etc.) des indicateurs de performances (KPI) utiles à leurs activités quotidiennes, et compréhensibles dans leurs langages techniques. Ces indicateurs sont obtenus par des méthodes scientifiques d’agrégation multi échelle à base de connaissances. La gestion des connaissances consiste en l’utilisation de moyens méthodologiques et informatiques pour représenter le problème, capturer l’historique des événements et problèmes passés. Il s’agit aussi d’extraire les règles métier des experts pour comprendre comment ils ont résolu les problèmes, en vue de réutiliser les solutions dans le futur. Grâce à une base de connaissances et des moteurs d’inférence, le système d’I.A. hybride intégrant « intelligence artificielle & ingénierie des connaissances » permet d’analyser automatiquement de larges volumes de données hétérogènes manufacturières, de détecter des anomalies de fabrication et d’aider à comprendre les causes des évènements.

Afin de proposer un système d’aide à la décision basé sur les fouilles de données de monitoring d’usinage, un travail de formalisation important a été effectué, ce qui a permis de définir l’architecture logicielle du démonstrateur suivant une stratégie Edge Computing, reposant sur des SmartData moins volumineuses et ayant davantage de sens physique. Une IA a été développée pour la détection d’incidents, en non-supervisé, avec intégration de connaissances manufacturières. Les bases d’un jumeau numérique et d’un diagnostic par gestion des connaissances ont été initiées. Les productions des pièces aéronautiques en aluminium et en titane par MECACHROME ont permis de proposer des SmartData adaptées et de valider la stratégie de gestion des données, sur 6 machines-outils ayant des productions différentes (flexible/grande série, pièces usinées en aluminium/titane). Le laboratoire LS2N a développé le démonstrateur SmartEmma d’aide à la décision et l’a déployé sur le site d’AIRBUS Nantes. Il analyse automatiquement le ½Go de données de monitoring d’usinage qui sont collectées quotidiennement sur machine-outil de production, et remonte aux bureaux de chaque service des KPI dédiés. Leurs usages ont permis de valider l’ensemble de l’approche et son très grand intérêt. Le projet aboutit ainsi conjointement à de hauts niveaux de publications scientifiques et de maturité technologique (TRL 7). Suite à une maturation, une commercialisation est en discussion.

Ce projet a donné une grande satisfaction et beaucoup de perspectives sont en cours comme le témoigne de l’intérêt d’Airbus qui a rejoint le projet en cours de route et a permis de nouvelles avances vers l’Edge Computing. Ces perspectives concernent d’un côté la poursuite des investigations sur d’autres indicateurs et critères de surveillance, et d’un autre côté la généralisation de l’approche vers d’autres technologies comme la fabrication additive (2 projets Européens ont été déposés pour cela). Enfin les autres axes d’aide à la décision feront également objet de recherches avancées dans le futur.

Ladj, A.; Wang, Z.; Meski, O.; Belkadi, F.; Ritou, M.; et al. A knowledge-based Digital Shadow for machining industry in a Digital Twin perspective. Journal of Manufacturing Systems. 2021, 58, 168-179.

Meski, O.; Belkadi, F.; Laroche, F.; Ritou, M.; Furet, B. A generic knowledge management approach towards the development of a decision support system. International Journal of Production Research. 2021, 59 (22), 6659-6676.

Wang, Z.; Ritou, M.; da Cunha, C. M.; Furet, B. Contextual classification for smart machining based on unsupervised machine learning by Gaussian mixture model. International Journal of Computer Integrated Manufacturing. 2020, 33 (10-11), 1042-1054.

Ritou, M.; Belkadi, F.; Yahouni, Z.; da Cunha, C.; Laroche, F.; Furet, B. Knowledge-based multi-level aggregation for decision aid in the machining industry. CIRP Annals. 2019, 68 (1), 475-478.

Démonstrateur implanté à la JVMA (Jules Verne Manufacturing Academy, usine-école 4.0) pour les étudiants de Nantes Université et des Pays de la Loire.

L’objectif du projet SmartEmma est de développer d’innovantes machines-outils intelligentes et connectées, pour l’UGV (Usinage à Grande Vitesse). Le but est ainsi de contribuer à l'Usine du Futur, en développant le numérique dans l'atelier de fabrication. Les signaux mesurés au plus près de la coupe et le contexte d’usinage issu de la Commande Numérique (CN) de la machine sont collectés dans de grandes Bases de Données process. De nouveaux Indicateurs de Performance et méthodes pour l’analyse des données seront recherchés, afin d’améliorer la performance des procédés UGV grâce à de nouveaux outils d'aide à la décision. L’approche nécessite une modélisation adaptée de données process et une gestion efficace des connaissances en UGV. Les Indicateurs de Performance seront identifiés par Extraction de Connaissances à partir des Données et par la fouille des données. Un système expert et un apprentissage sur la durée faciliteront l’amélioration continue du process. De nouveaux leviers seront fournis pour la prise de décision et le pilotage opérationnel d’entreprise de fabrication mécanique. En outre, de nouvelles machines-outils intelligentes en résulteront également. Grâce à de nouvelles capacités de perception et de commande adaptative, la machine pourra en partie se corriger d’elle-même en temps-réel.