Les technologies de l’intelligence artificielle

Intelligence artificielle - les technologies existantes.

Intelligence artificielle - les technologies existantes.

L’intelligence artificielle (IA) en métallurgie (fonderie, …) va peu à peu se développer (d’abord dans les grands groupes, puis dans les ETI et les PME) avec la démocratisation des technologies du numérique, la présence de data en grand nombre et sous la pression des donneurs d’ordre, eux même de plus en plus utilisateurs de ces technologies. C’est aussi un moyen de pérenniser les savoirs (turnover, départ en retraite, …), de limiter les délais de développement et de mise au point, de se démarquer de la concurrence et d’offrir un meilleur niveau de qualité pour les produits moulés. Cet article dresse un panorama des technologies de l’intelligence artificielle – au travers des systèmes experts, des réseaux de neurones et des jumeaux numériques – en expliquant leurs principes de base, leurs développements, applications potentielles en fonderie et enfin leurs points forts et limitations.

La fonderie, des phénomènes complexes

Les procédés de transformation des alliages par voie de fonderie sont complexes. En effet, ils mettent en jeu des phénomènes multi physiques couplés (thermique, fluidique, …, mécanique, chimique), des changements de phase (solide / liquide) et des régimes transitoires (montée en régime thermique d’un outillage métallique par exemple). Les procédés de fonderie sont également multiples (moulage sable, cire perdue, centrifugation, …, fonderie sous pression) avec pour chacun d’eux des spécificités techniques, des marchés privilégiés (automobile, aéronautique, agricole, médical, …), des métallurgies diverses (fonte, aluminium, acier, titane, …). La problématique de la qualité des pièces (rebut interne et retour client) est d’ailleurs prioritaire avec des donneurs d’ordre souvent très exigeants (just-in-time, coût d’arrêt d’une chaîne de montage, …). Pour répondre à ces enjeux, au-delà des savoir-faire du personnel de bureau d’études et de production (opérateur, technicien, ingénieur), il sera de plus en plus nécessaire d’utiliser tout ou partie des outils numériques actuels ou en développement issus des technologies de l’IA.

Les différentes technologies de l’intelligence artificielle

Le domaine de l’intelligence artificielle est vaste et en évolution rapide. Il englobe un certain nombre de technologies dont certaines ont déjà plusieurs dizaines d’années d’existence. La grande nouveauté réside dans le fait que ces technologies ont fortement évolués en capacité de calcul, sont devenues matures et accessibles (via des softwares en open-source) aux industriels et que la data, qui vient alimenter ces technologies est disponibles en grand nombre au pied des machines (capteurs, relevés de production, CND numérisé, plan d’essais, …).

Les systèmes experts – principe et développement

Système expert - base de règles et moteur d inférence (intelligence artificielle).
Système expert – base de règles et moteur d inférence.

Les systèmes experts, initialement développés en médecine ou dans le système bancaire (règles d’attribution des prêts) simulent la connaissance d’un expert humain du domaine et permettent la résolution de phénomènes difficiles à modéliser numériquement (pas d’équation simple, de nombreuses inconnus, des paramètres qualitatifs, …) mais où néanmoins une expertise humaine est disponible et permet d’aider à la résolution du problème. Un système expert est composé de trois grands modules : une ou plusieurs base(s) de règles logiques spécifiques au domaine technique, un moteur d’inférence qui fait tourner les règles et des données d’entrées qui servent au raisonnement et auxquelles s’appliquent les règles logiques. Les règles logique du type (« SI Tmoule < 175°C ET Vinjection < 25 m/s ALORS risque-défaut = « Reprise » avec certitude de 90) peuvent être écrites « en vrac » et sans classement précis. Le moteur d’inférence se chargera de déterminer et de combiner les règles applicables.

Diadem, un système expert en fonderie sous pression aluminium

Diadem -système expert - règles logiques en fonderie.
Diadem -système expert – règles logiques en fonderie.

Le CTIF avait développé dans les années 1990, pour la fonderie sous pression aluminium, un système expert (Diadem) de diagnostic de défauts et d’assistance à la détermination des causes et proposition de remèdes sur la base du générateur de système expert GURU (Cegos). En production dans plusieurs usines dans l’hexagone, ce logiciel a apporté des réponses le plus souvent pertinentes aux problématiques de défauts et à aider à résoudre des problèmes de non qualité. Il comportait un système de notation par l’utilisateur des remèdes les plus faciles à déployer afin de les recommander de manière privilégié aux prochaines utilisations sur le même outillage. La géométrie des pièces était décrite sur la base de 5 types de pièces génériques. Il existait une base de données alliage (Tliquidus, Cp, …), de moules (circuits de thermorégulation, épaisseur d’attaque, …) et de machine. On demandait à l’utilisateur de rentrer ses données sur une fiche de paramètre standard et les règles logiques venaient raisonner sur ces données.

Points forts et limitations des systèmes experts

Les systèmes experts possèdent un certain nombre de points forts. Tout d’abord, l’encapsulation (ou la représentation) de la connaissance sous la forme de règles logiques permet la maintenance de la base de règles, ensuite, cela favorise la transmission du savoir ou l’extension à d’autres domaines (par l’ajout de règles plus spécifiques si nécessaire). Ensuite, le système expert peut expliquer son raisonnement (« quelles règles ont été appliquées ? »), ce qui permet à l’utilisateur de juger de son niveau de fiabilité (ou d’invalider un raisonnement). Mentionnons également le fait que l’interrogation de l’expert par un « cogniticien » permet à l’expert de prendre conscience des zones d’ombre de ses connaissances pour si besoin lancer des projets afin d’améliorer ses connaissances. Enfin les systèmes experts peuvent raisonner sur des données inconnues (ou partiellement connues) avec de la logique floue (« fuzzy logic ») grâce au coefficient de certitude des règles. Mais les systèmes experts ont aussi des limitations intrinsèques/extrinsèques. Ainsi, un expert humain est nécessaire. Il doit pouvoir coopérer au projet et pouvoir expliquer son raisonnement alors que de nombreux experts raisonnent davantage de manière intuitive (ils ont « câblés » des règles sans réellement en être conscient et pouvoir les expliciter). Ensuite, le système expert ne résout pas de lois physiques, ce qui peut être limitatif. Enfin, s’il est facile de générer des règles pour des variables process (température de l’alliage, taux de liant, …), il semble beaucoup plus compliqué de tenir compte de la géométrie d’une pièce ou d’un moule, hormis à développer des règles spécifiques pour chaque pièce. Enfin, les systèmes experts, contrairement aux technologies plus récentes de l’IA (réseau de neurones) ne permettent pas l’apprentissage, ce qui limite considérablement leurs portées. Le « rule based machine Learning » pourrait cependant relancer l’utilisation des systèmes experts par la génération automatique de règles à partir de base d’apprentissage.

Les réseaux de neurones – principe et développement

Les réseaux de neurones artificiels (ANN pour Artificial Neuron Network) copient leur mode de fonctionnement sur celui du cerveau humain. En effet, on n’explique pas à un jeune enfant ce qu’est un oiseau ou un chien sous forme de règles logiques (SI nombre de pattes = 4 ET cri = « aboiement ALORS animal = « Chien »), mais tout simplement en lui montrant des chiens. Ce n’est que bien plus tard –en cours de sciences naturelle – qu’il apprendra ces règles de classification (ordre des mammifères, …).

Les couches de neurones virtuels vont donc apprendre à partir d’une base d’apprentissage pour ensuite pouvoir raisonner sur de nouveaux cas jamais vus. Ces technologies de réseau de neurones sont appelés machine learning et deep-learning (pour la reconnaissance d’image, de vidéo, …, de la parole). En fonction du cas à traiter (nombre de données d’entrées, …, nombre de résultats), on va paramétrer le réseau de neurones (nombre de couches, nombre de neurones par couches, …), puis on entrainera le réseau avec une base d’apprentissage (en général les 2/3 de la base initiale) et enfin on testera ce réseau (sur 1/3 de la base initial) pour valider sa pertinence. On itèrera ce processus jusqu’à obtenir un taux d’erreur ad hoc.

Utilisation des réseaux de neurones

Les réseaux de neurones sont utilisés en métallurgie en « alloy design » pour déterminer la meilleure composition chimique à partir d’une base d’apprentissage (analyse de brevets, données expérimentales, normes, …). Des essais expérimentaux sont néanmoins nécessaires pour valider le comportement réel d’un alliage et ses performances mécaniques. Le deep-learning permet d’explorer un très grand nombre de compositions possibles, ce qui ne serait pas possible avec un plan expérimental.

Le machine Learning peut également prédire le comportement d’un système à partir des données d’entrées (paramètres de production, …) et peut être utiliser en aide au pilotage de la production.

Points forts et limitations des réseaux de neurones

Les réseaux de neurones ont fait d’énormes progrès ces 10 dernières années avec des développements théoriques et le travail très important (deep-learning) des GAFAM sur le sujet pour indexer des masses de données (textes, images, vidéos, …). De ce fait, des plateformes de développement de deep-learning sont accessibles (Tensor-Flow, PyTorch, Keras, …). Parmi leurs autres points forts, mentionnons le fait que le développement d’un réseau de neurones ne nécessite pas l’écriture de règles logiques longues et complexes. Cependant, les réseaux de neurones, une fois développés et au point, se présentent comme des « boites noires » avec une connaissance non accessible et sans qu’il soit possible d’expliciter leur raisonnement. La compétence de « data-scientist » est souvent nécessaire pour leur mise au point ainsi qu’une base d’apprentissage importante (plusieurs centaines ou milliers d’exemples) et pertinente.

Le Deep-Learning

Deep learning - reconnaissance objets sur une image (intelligence artificielle).
Deep learning – reconnaissance objets sur une image.

Le deep-learning (ou CNN pour Convolutional Neuron Network) est essentiellement utilisé pour le traitement des images (et des vidéos) pour réaliser du tri, de l’indexation, de la reconnaissance de forme, …, ou la modification d’images. La différence par rapport au machine learning réside dans le grand nombre de couches de neurones utilisés (jusqu’à une centaine ou davantage) et dans la nature plus hétérogènes des divers couches de neurones utilisés – couches de neurones convolutifs (convolution + RELU, pooling) en entrée et couches de neurones « fully connected » en sortie – et enfin dans le très nombre d’images souvent nécessaire pour réaliser l’apprentissage.

Un grand nombre d’algorithmes d’intelligence artificielle

Il existe de nombreux types d’algorithmes d’IA : le machine learning supervisé et celui non supervisé, les algorithmes de régression, de classification et de clustering ou encore les technologies de type transfert-learning qui permettent de tirer profit d’un réseau déjà entraîné sur une problématique proche ou similaire. Chaque type d’algorithme sera plus ou moins bien adapté à un problème à résoudre. Précisons également que si les réseaux de neurones sont aujourd’hui majoritairement cités et utilisés, certains algorithmes du domaine de l’IA (K-Means, arbres de décisions, Markov decision process, algorithmes génétiques, …) ne font pas appel aux réseaux de neurones artificiels.

Les jumeaux numériques – principe et développement

Par rapport aux deux autres technologies vues auparavant (système expert et réseau de neurones), le concept de jumeaux numériques est relativement récent (2002). Il est également à la limite des technologies de l’intelligence artificielle pour les puristes. Si encore peu de développement réellement opérationnels existent, cette technologie offre un très fort potentiel à tel point que le Cabinet d’analyses nord-américain Gartner l’a classée en 2019 dans le top ten des « Strategic Technology Trends ». Un jumeau numérique reproduit à l’identique (mais de manière numérique uniquement), le fonctionnement d’un système physique bien réel (usine, système, machine, process, moule, …). La technologie des jumeaux numériques, grâce à de multiples simulations numériques réalisés en amont, représente les phénomènes physiques par un modèle réduit (MOR ou Model Order Reduction) valable dans un certain périmètre limité. Le logiciel n’a plus à faire tourner des simulations numériques très couteuses en temps de calcul et de fait, peut donner des résultats en temps réel. Ce temps de calcul très rapide permet de prédire le comportement d’un système et si besoin de le piloter en temps réel. Dans le cas d’une boucle fermée entre le jumeau numérique et le jumeau réel, on a affaire alors à un « closed-loop digital twins ».

Intelligence artificielle - Jumeau numérique - couplage jumeau numérique et jumeau réel.
Intelligence artificielle -Jumeau numérique – couplage jumeau numérique et jumeau réel.

Points forts et limitations des jumeaux numériques

Les jumeaux numériques présentent l’avantage d’être représentatifs de la réalité physique (thermique, fluidique, mécanique), ce qui peut être séduisant pour des process complexes. Ils donnent également accès par le calcul à des data non mesurables (ou trop complexes à mesurer). Enfin, un pilotage de process peut être réalisé en temps réel avec aide d’un jumeau numérique. En contrepartie, les jumeaux numériques nécessite des données d’entrées mesurées (et fiables) et la très bonne connaissance des lois de comportement. Leur déploiement nécessite une bonne connaissance du process, des outils (simulation) et des capteurs. Enfin, leur TRL est plus bas que celui des réseaux de neurones.

Utilisation des jumeaux numériques

Les jumeaux numériques pourraient en fonderie calculer en temps réel la température de surface d’un moule métallique (ou d’un moule sable) à partir de la température interne (un ou plusieurs thermocouples insérés sous la surface). De la même manière, on pourrait piloter la coulée (Go / No Go) en fonderie de fonte à partir de la composition chimique d’une nuance et de la prédiction de défauts métallurgiques ou de caractéristiques mécaniques prévisionnelles.

Conclusions

Ces nouvelles technologies de l’intelligence artificielle en évolution rapide offre un fort potentiel dans le secteur de la métallurgie aux différents stades du process (développement des outillages, mise au point de nouvelles nuances, aide au pilotage du process, ….). Leur développement nécessite des outils logiciels, des savoir-faire fonderie mais également des compétences en IA ainsi que des données fiables en quantité suffisante. Nous développerons ces différentes technologies et leurs applications dans des articles à venir sur MetalBlog.

Cet article est issu d’une présentation faite par l’auteur aux journées Moules et Outils le 10 octobre 2019 à Albi (Ecole des Mines d’Albi Carmaux).

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *