Industrial AI en usine : définition, exemples et premiers pas

L’Industrial AI, c’est l’intelligence artificielle appliquée aux processus et aux activités industriels. Par exemple, des modèles qui repèrent des anomalies dans les données machine, signalent des risques qualité ou facilitent la recherche dans la documentation technique. C’est le domaine d’application qui définit le terme ; toutes les usines numériques n’utilisent pas l’IA. Un tableau de bord, un lecteur de codes-barres et une logique PLC à règles fixes peuvent très bien fonctionner sans IA.

En bref : l’Industrial AI aide les équipes de production, de maintenance et de qualité à prendre plus vite la bonne décision à partir des données machine et de processus. Pour être fiable, elle a besoin de données contextualisées (machine, ordre de fabrication, unité, horodatage), d’un objectif mesurable et d’une personne qui évalue le résultat.

Pour Vlegel, l’équipe d’ingénierie data, IA et logicielle basée à Genk, tout part d’une question opérationnelle. Quelle décision un opérateur, un technicien de maintenance ou un responsable qualité doit-il pouvoir mieux prendre ? Ensuite seulement, nous examinons si l’IA apporte plus qu’une simple règle, un rapport ou une application standard.

Quand l’IA est-elle utile, et quand ne l’est-elle pas ?

L’IA est utile lorsqu’un schéma est trop complexe pour une règle fixe, qu’on dispose d’un historique suffisant avec des résultats connus et qu’une meilleure estimation permet de gagner du temps ou de réduire les rebuts. Un seuil fixe, un bon tableau de bord ou une consigne de travail plus claire est souvent une solution plus rapide et moins chère. Un conseil honnête peut donc aussi être : commencez sans IA.

Trois applications sur le terrain

Détection d’anomalies : un modèle compare, par exemple, les vibrations, la température ou le courant au comportement normal d’une machine. Une alerte peut aider à prioriser la maintenance. Mais un autre produit, un changement de série ou un capteur défectueux peut aussi provoquer une anomalie. L’alerte invite à investiguer ; elle ne prouve pas une panne.

Analyse qualité : les mesures de processus sont reliées aux résultats qualité connus de chaque lot ou produit. Un modèle peut aider à repérer des schémas à risque. Testez-le sur des lots ultérieurs, qu’il n’a jamais vus, et comparez-le au contrôle existant. Une corrélation statistique ne prouve pas un lien de cause à effet ; un modèle ne peut pas décider seul de libérer un lot.

Assistance aux opérateurs : un assistant cherche dans les manuels approuvés et l’historique des pannes, en citant ses sources. Cela peut aussi servir pour les installations en entrepôt et en intralogistique. Si des informations manquent ou se contredisent, il doit le dire. Les droits d’accès déterminent quels documents le visiteur ou le collaborateur peut consulter.

La couche de données : OPC UA, MQTT, UNS et sens

Pour analyser les processus, vous pouvez lire les données machine via OPC UA et les échanger avec MQTT, selon votre système de commande existant. Un Unified Namespace (UNS) organise leur publication sous des noms communs, par exemple par site, ligne et machine. Un modèle sémantique précise ce que signifie une valeur : unité, horodatage, ordre de fabrication, machine et qualité des données.

Ce contexte est essentiel. Une température élevée en production peut avoir un autre sens que pendant un nettoyage. Conservez l’historique pertinent et rendez visibles les mesures manquantes, obsolètes ou peu fiables. Un UNS ne remplace ni les conventions communes, ni le stockage, ni la sécurité. Et il n’est pas indispensable à chaque application d’IA.

MCP est une interface, pas une preuve de sécurité

Model Context Protocol (MCP) décrit comment les applications d’IA peuvent utiliser des sources et des outils. Le protocole peut aussi proposer des outils qui effectuent des modifications. Pour notre Industrial AI, nous limitons l’accès aux sources en lecture seule. Les autorisations, le cloisonnement réseau, la journalisation et le contrôle des outils proposés restent nécessaires. L’IA ne dispose d’aucun accès en écriture aux paramètres PLC, aux ordres de fabrication ou aux fonctions de sécurité.

Un premier essai avec un objectif mesurable

Choisissez une machine, une ligne ou un processus de travail et définissez à l’avance ce qui doit s’améliorer. Par exemple : trouver plus vite le bon manuel, réduire les alertes de maintenance inutilisables ou repérer plus tôt un risque qualité. Mesurez d’abord la situation actuelle, y compris le travail nécessaire aux équipes pour évaluer une alerte.

Testez sur des situations représentatives : production normale, changements de série, données de capteurs erronées et cas exceptionnels. Séparez les données d’entraînement des données de test. Comparez avec une approche simple et faites évaluer les résultats par les opérateurs. N’élargissez le périmètre que si le résultat est exploitable, les limites sont claires et les mises à jour et le support sont organisés. Sans données adaptées, la bonne première étape peut justement être de les collecter.

Industrial AI ne veut pas forcément dire Physical AI

L’Industrial AI désigne le domaine d’application industriel. La Physical AI concerne les systèmes qui perçoivent leur environnement physique et y agissent, comme les robots autonomes. Un assistant documentaire ou un conseil de maintenance ne relève pas automatiquement de cette seconde catégorie. Vlegel construit ici la couche logicielle et la couche de données ; notre IA conseille et une personne décide.

Vous voulez voir si l’Industrial AI convient à votre usine ou à votre machine ? Réservez 15 minutes avec Jorg ou Yannic. Nous abordons une question concrète, les données disponibles et l’intérêt d’un essai. Un éventuel Rendez-vous est une séance de cadrage ou un atelier sur votre terrain, pas la promesse d’un résultat IA dans un délai fixé.