Tour d'horizon des applications de l'industrie 4.0

Publié le 14 février 2022
11 minutes de lecture
Tour d'horizon des applications de l'industrie 4.0

Robots autonomes, prédiction de dysfonctionnements, recommandations énergétiques…se lancer dans l’aventure de l’industrie 4.0 et de l’intelligence artificielle impose aux industriels de transformer l’ensemble de leur stratégie, que ce soit au niveau de leur chaîne de production, de la logistique mais aussi de leur management. Selon une étude de CapGemini publiée en 20191, les applications de l’industrie 4.0, telles que l’automatisation afin de réduire les tâches pénibles et répétitives ou encore la mise en place de capteurs et plateformes IIoT pour détecter les pannes en amont, offrent un potentiel significatif pour réduire les coûts de production, augmenter la productivité mais aussi améliorer la qualité des produits. Passage en revue des applications de l’industrie 4.0 qui profitent aux PME comme aux grandes entreprises. 

La robotique collaborative pour accompagner les opérateurs sur les tâches pénibles et répétitives

Cette notion de robotique collaborative s’applique à tout robot capable de partager le même espace de travail que les opérateurs et d’interagir avec eux de manière sûre. Englobant à la fois les cobots-outils, les cobots-collègues, les exosquelettes ou encore les robots mobiles autonomes, la robotique collaborative vise à accroître les capacités des opérateurs pour les aider à réaliser des tâches complexes ou difficiles et réduire la pénibilité. Son introduction permet ainsi de gagner en productivité, qualité mais aussi en flexibilité et capacité de personnalisation. 

La réduction des troubles musculo-squelettiques (TMS) est l’enjeu principal du développement de ces technologies robotisées d’assistance à la personne. Les TMS ont été responsables de 42 000 maladies professionnelles en 2016, soit 87 % des maladies reconnues en France2, ils représentent donc un problème de santé publique majeur et sont aussi la cause d’une baisse de productivité importante pour les entreprises. Raideurs, douleurs, perte de force au niveau du cou, des épaules, du coude, des poignets ou encore du dos en sont les manifestations les plus fréquentes et peuvent aller jusqu’à contraindre un opérateur d’arrêter son travail. Ces TMS sont le plus souvent provoqués par une forte répétitivité de gestes précis, des positions inconfortables et statiques ou encore un manque d’alternance entre les tâches.

Le Cobot-outil et Cobot-collègue comme nouveaux assistants de l’opérateur

Le terme cobot, issu de « collaboration » et de « robotique » est apparu en 1996 pour désigner un dispositif robotique manipulant des objets en collaboration avec un opérateur3. On parle alors de comanipulation, c’est-à-dire la manipulation conjointe d’objets par un opérateur humain et un robot dans le même espace de travail. Le cobot peut prendre plusieurs formes mais la plus commune est celle d’un bras robotisé et articulé, capable de visser, poncer, saisir, frapper, coller, souder…

La robotique collaborative représente donc le stade le plus avancé d’interaction, puisqu’il s’agit pour l’opérateur et le robot de réaliser ensemble une tâche complexe, qui nécessite une coordination. La dextérité et la flexibilité cognitive de l’humain doivent être complétée par la précision et la force du robot. Deux cas de coordination peuvent donc être distingués : le cobot-outil et le cobot-collègue.

Dans le cas du cobot-outil, le robot accompagne le geste humain dans la réalisation d’une tâche, comme le ponçage, le vissage ou encore l’assemblage, et joue alors le rôle d’outil. En d’autres termes, l’opérateur doit en permanence établir un contact physique avec le robot, ce dernier n’agit donc jamais seul en totale autonomie. Une technologie appelée « guide virtuel » peut se jumeler au cobot-outil afin d’accompagner et corriger si besoin certains mouvements indésirables de l’opérateur. Concrètement, ce guide virtuel correspond à une trajectoire enregistrée dans la mémoire du robot, ce dernier va donc être en mesure de ramener la main de l’opérateur vers cette trajectoire si celui-ci en dévie, via un feedback haptique, c’est-à-dire un retour de force sur la main. Un casque de réalité augmentée peut aussi compléter ce retour de force en projetant directement sur le plan de travail la trajectoire à suivre. 

Contrairement au cobot-outil, le cobot-collègue quant à lui dispose de capacités cognitives grâce à l’introduction d’intelligence artificielle. Concrètement, ces nouvelles aptitudes lui permettent de reconnaître le geste de l’opérateur, de se synchroniser avec lui, d’adapter sa cadence mais aussi de comprendre si un événement inattendu se produit. Sur un poste d’assemblage, le cobot-collègue se charge de passer des pièces à l’opérateur qui va les assembler, encore faut-il qu’il le fasse au bon moment, sans retarder l’opérateur dans l’exécution de son geste. C’est justement l’objectif de son système d’intelligence artificielle afin de parvenir à une collaboration efficace entre les deux parties. Exit donc tout contact physique, ou programmation explicite, pour que la magie s’opère. Par exemple, ce type de robot collaboratif peut être déployé sur des postes de préparation manuelle, comme lors du montage de raccords d’air de moteurs automobiles. Au lieu de laisser l’opérateur s’empêtrer dans différents bacs afin de choisir les bonnes pièces pour les assembler, le cobot-collègue va s’en charger en tendant les bonnes pièces à l’opérateur. Le robot lui évite ainsi de potentielles erreurs, une pénibilité psychologique ou encore une perte de temps.

Le cobot UR10e, d’Universal Robots, présenté au salon Global Industrie 2021 à Lyon. ©JulienToublanc

Les exosquelettes pour développer les capacités physiques de l’opérateur

Exemple bien connu de la robotique collaborative, l’exosquelette d’assistance à l’effort est une structure mécanique doublant celle du squelette humain qui lui confère des capacités physiques supplémentaires. Par exemple, cette sorte de squelette externe permet des déplacements, des manipulations de charge, des manœuvres d’outils que le corps seul ne pourrait effectuer. Dépourvu d’autonomie globale, ce robot assistant reste dépendant de l’intention, du geste ou du comportement de l’utilisateur. Les exosquelettes visent à réduire la charge physique et donc logiquement les troubles musculo-squelettiques (TMS) qui concernent les muscles, tendons, nerfs ou articulations. Les facteurs favorisant ces TMS peuvent être de nature physique (biomécanique) comme lors d’efforts excessifs si un opérateur porte une charge lourde, ou lorsqu’il maintient une posture inconfortable durant une longue période, tel qu’un travail bras au-dessus du niveau des épaules. Par exemple, Ford a équipé les ouvriers d’une quinzaine d’usines dans le monde d’exosquelettes, de la société Ekso, afin de soulager les opérations d’assemblage réalisées les bras en l’air. 

Les robots mobiles autonomes pour aider les opérateurs à transporter des marchandises

En parallèle des cobots et des exosquelettes, les opérateurs peuvent aussi s’appuyer sur des robots mobiles autonomes capables d’effectuer une mission spécifique sur un lieu ou dans un endroit donné sans assistance. Les premiers robots mobiles ont d’ailleurs émergé dans les années 1970 avec notamment le robot Shakey, développé par l’institut de recherche de Stanford, qui pouvait grâce à ses capteurs et son algorithme de planification se déplacer d’une pièce à une autre, allumer ou éteindre les lampes, ouvrir et fermer des portes, monter et descendre sur des rampes ou encore pousser devant lui des objets. En industrie, les robots mobiles autonomes représentent un atout indéniable pour la collecte de produits dans des entrepôts, l’inspection dans des usines mais aussi dans des zones de catastrophe comme sur des sites contaminés ou radioactifs. Même si beaucoup de robots mobiles en général nécessitent encore l’intervention d’un opérateur humain pour être téléopérés dans l’exécution de leur tâche, à cause notamment des contraintes liées à l’environnement et d’un manque de maturité technologique, d’autres parviennent à opérer de manière autonome. C’est le cas des robots mobiles utilisés pour la logistique dans les entrepôts car ils évoluent dans des intérieurs fermés et structurés, facilitant leur apprentissage de l’environnement. 

Cependant, pour qu’ils puissent devenir pleinement autonomes, ils doivent respecter un schéma de type perception-localisation-raisonnement-action4. Concrètement, le robot lâché au milieu de l’usine doit être en mesure d’extraire les informations pertinentes, grâce à ses capteurs, pour qu’il puisse se localiser et cartographier son environnement. En s’appuyant sur sa position et son entourage, il est alors capable de raisonner, grâce à l’introduction d’algorithmes de machine learning, en traitant les ordres de missions à accomplir, en planifiant ses trajectoires mais également en contournant les obstacles sur son parcours. Enfin, ces actions de haut-niveau vont être traduites en actions de bas-niveau, en agissant sur les actionneurs et moteurs du robot de sorte à ce qu’il puisse se rendre à une position donnée avec une vitesse donnée, vers l’objectif à atteindre. 

Démonstration d’un engin électrique miniature et autonome de tri et livraison au salon Global Industrie 2021 à Lyon. ©JulienToublanc

Des capteurs et plateformes IIoT  au service de la performance industrielle 

Inventé en 1999 par l’entrepreneur Kevin Ashton, chercheur en technologies RFID, le terme « Internet des objets » (IoT) pénètre désormais tous les domaines d’activité y compris l’industrie, sous le nom Internet industriel des objets (IIoT). Cette version industrielle de l’IoT se définit comme un grand nombre de systèmes industriels connectés qui communiquent et coordonnent leurs analyses et actions données pour améliorer les performances, l’efficacité et réduire ou éliminer les temps d’arrêt. Ils sont équipés de capteurs miniaturisés capables de générer des données comme des paramètres physiques d’utilisation, des mesures de l’environnement…et de les transmettre à des platetormes IIoT, intégrées dans un cloud, grâce à des réseaux appropriés (Sigfox, LoRaWan, 4G, Wifi, Bluetooth…). Ces données seront ensuite traitées et analysées par des algorithmes d’intelligence artificielle. Grâce à ces capteurs, une machine peut, entre autres, détecter une usure d’outil, une dérive ou un dysfonctionnement dans le processus et modifier son comportement ou déclencher des demandes de mises à jour. 

Détecter les anomalies en amont via la maintenance et l’inspection prédictive 

La maintenance et l’inspection prédictive figurent parmi les usages principaux de l’Internet Industriel des Objets. L’intérêt ici est d’anticiper les anomalies et pannes potentielles avant qu’elles ne se produisent grâce à une série de procédés technologiques : captation des données en temps réel via des capteurs (de vibrations par exemple), choix d’un protocole et d’un réseau pour la transmission des données vers une plateforme — elle-même intégrée dans un cloud pour les besoins de stockage — puis le traitement et l’analyse de ces données grâce au big data pour enfin remonter des informations pertinentes sur des anomalies ou pannes à venir au sein d’un logiciel de gestion de la maintenance. 

L’attribut alt de cette image est vide, son nom de fichier est DSC01380-1-700x525.jpg.
Présentation d’un capteur de vibrations, fabriqué par la société allemande ifm electronic, au salon Global Industrie 2021 à Lyon. ©JulienToublanc

Au lieu de procéder à une maintenance préventive et d’opérer selon une logique calendaire, c’est-à-dire à la révision de tel ou tel équipement tous les six mois par exemple, et ainsi risquer d’avoir une panne et donc des coûts inutiles, la maintenance prédictive permet de bénéficier d’un gain de temps et de productivité immédiat grâce au traitement en temps réel des données recueillies sur un équipement en particulier. 

L’attribut alt de cette image est vide, son nom de fichier est DSC01383-700x525.jpg.
Présentation d’une plateforme IIoT, développée par ifm electronic et dédiée à la maintenance prédictive, au salon Global Industrie 2021 à Lyon. ©JulienToublanc

Optimiser le suivi des produits en extérieur mais aussi leur traçabilité et intégrité

Détecter les anomalies en amont grâce à la maintenance prédictive n’est pas le seul cas d’usage propre à l’IoT. D’autres cas d’usage existent comme la localisation d’un produit en déplacement via différents moyens de transport (route, mer…), il s’agit alors d’une solution IoT de tracking. Les industriels ont aussi la possibilité, grâce à l’IoT, de suivre les données historiques d’un produit et son parcours dans la supply chain ainsi que son intégrité, c’est-à-dire ses conditions environnementales (température, humidité…) qui pourraient avoir des conséquences à terme sur son état. Il s’agit dans cet autre cas d’une solution IoT de tracing. Cette combinaison de solutions IoT de tracking et de tracing font intervenir des types de capteurs spécifiques, notamment destinés à relever des positions, des mesures de température et d’humidité, mais aussi des plateformes collectant ces types de données et qui sont complètement pensées pour ces cas d’usages. On peut évoquer par exemple la plateforme EasyTrack développée par la joint venture Safecube. Cette dernière permet par exemple de connaître, visuellement et de façon intuitive, les positions d’objets IoT tout au long d’un trajet maritime intercontinental ou encore leurs conditions environnementales. Comme pour la maintenance prédictive, le tracking et le tracing nécessitent de choisir un réseau adapté selon les besoins en terme de mobilité des capteurs, de couverture et de quantité de données à transporter…Les solutions IoT proposées par Safecube utilisent par exemple un réseau bas débit et longue portée car les données n’ont pas besoin d’être récoltées en temps réel mais seulement ponctuellement, et sur une longue distance, tout au long de tel ou tel trajet maritime. Enfin, le traitement des données à l’aide de l’intelligence artificielle, type machine learning, est une étape primordiale pour trouver des variables problématiques et régulières, propres au tracking et au tracing, et engager des prises de décisions afin de les corriger. 

Réduire sa consommation d’énergie et ses émissions carbone 

En moyenne, la chaleur produite dans les usines est à l’origine de 60 % de leur consommation énergétique, répartie entre les fours et sécheurs, les chaudières, les moteurs, le traitement des matières premières ou encore le froid et l’air comprimé5. Les industriels, électro-intensifs ou pas, ont besoin d’un approvisionnement en énergie continu avec des coûts relativement faibles pour ne pas entacher leur compétitivité. L’énergie est en effet fondamentale aux machines produisant des biens, aux bâtiments qui les abritent ainsi qu’aux systèmes d’information qui participent à leur bon fonctionnement. 

L’association de l’internet industriel des objets (IIoT) à l’intelligence artificielle peut alors permettre, en premier lieu, de réduire l’impact énergétique négatif qui colle à la peau de l’industrie lourde, comme le secteur de la métallurgie, minier ou encore du papier.

Apposés sur des machines, des capteurs permettant de réaliser des mesures de pression, d’énergie ou encore de température sont à même de déterminer les optimisations énergétiques à effectuer. Encore faut-il que des solutions d’intelligence artificielle puissent analyser les données générées et ainsi trouver les variables problématiques, comme une dépense trop grande en énergie. Si ces capteurs fonctionnent en edge computing, cela signifie qu’ils sont en mesure d’analyser les données en temps réel, et donc d’avertir sans perte de temps les opérateurs de possibles dérives énergétiques. Déployer une technologie edge est par ailleurs pertinente pour une entreprise qui souhaite se lancer dans une démarche d’optimisation énergétique, car elle permet d’éviter une collecte trop importante de données au sein de serveurs informatiques beaucoup trop gourmands en énergie.  

Certains cas d’usages nécessitent néanmoins une infrastructure Big data, et non pas smart data, pour détecter des dérives énergétiques. En 2016 par exemple, Google a réduit ses coûts et augmenté ses revenus en associant l’IIoT à l’IA afin de réduire les dépenses énergétiques des centres de traitement des données de 30 %. Toutes les cinq minutes, l’IA cloud prend une photographie instantanée du système de refroidissement à partir de milliers de capteurs pour ensuite la transmettre à des réseaux neuronaux profonds DeepMind. Ces réseaux en deep learning prédisent comment différentes combinaisons d’actions potentielles pourraient affecter la consommation énergétique future6

Des capteurs de haute précision peuvent aussi participer à réduire les émissions carbone d’une usine, en déterminant la source de pollution et la quantité de gaz générés. Mêlée à de l’intelligence artificielle, notamment du machine learning pour l’analyse des données, la précision des indicateurs augmente à chaque rapport grâce à l’auto-apprentissage. Une fois ces données récoltées et analysées, tout le processus de productivité peut être optimisé en minimisant les effets néfastes sur le climat.

Localiser et sécuriser son matériel grâce aux technologies Beacons et IoT

Les Beacons sont des balises positionnées sur des équipements et fonctionnent avec du Bluetooth Low Energy (BLE), largement présent sur des terminaux mobiles, ce qui leur permet d’avoir une consommation d’énergie très faible. En milieu industriel, on retrouve trois familles d’applications exploitant les balises beacons : l’identification, la localisation et la sécurisation7. Concrètement, une technologie Beacon dispose de plusieurs atouts dans sa manche, elle peut par exemple valider des gestes d’opérateurs en détectant les actions réalisées comme le rangement d’un colis à un emplacement magasin, le chargement d’un camion…apporter à un technicien de maintenance les informations contextuelles d’équipements à proximité ou la localisation d’outils, ou encore réguler la vitesse des véhicules au sein d’un entrepôt. Un beacon est extrêmement simple et peut être couplé à d’autres innovations telles que des capteurs IIoT de température, d’humidité ou de vibration, à des plateformes IIoT et même à l’intelligence artificielle. 

Des capteurs IIoT, embarquant des puces RFID, sont aussi capables de tracker en temps réel des colis et machines. En résumé, grâce aux beacons, un chef d’entreprise a la possibilité de repérer sur son smartphone les parcours inutilement longs et coûteux pour réorganiser ses flux de production, retrouver des objets perdus et limiter les erreurs d’inventaire. 

Des logiciels pour une fabrication industrielle agile, intelligente, performante et durable

Façonner un système de fabrication intelligent (Smart Manufacturing System en anglais) implique d’interconnecter un écosystème numérique de logiciels afin que les entreprises industrielles puissent maîtriser de bout en bout leur chaîne de valeur, de la commande client à la livraison en incluant l’approvisionnement et les interactions avec les fournisseurs. Une maîtrise due aussi à l’application de l’intelligence artificielle qui va permettre de s’adapter aux contextes changeants auxquels font face les entreprises, en s’ouvrant par exemple à d’autres marchés ou en modifiant la manière d’approcher leur marché historique. Numérisée et synchronisée, la chaîne de valeur industrielle se caractérise ainsi par sa flexibilité et sa modularité. Elle peut se reconfigurer automatiquement, s’ajuster en fonction de la demande, s’adapter aux potentielles variabilités telles que l’augmentation des prix, la baisse du volume des matières premières, les aléas liés à l’approvisionnement, les pannes de machines, les fluctuations de la qualité etc. Virtualisée, la chaîne n’est également plus ancrée géographiquement, ouvrant par conséquent la voie à une logique de production personnalisée à grande échelle et de lignes multi-produits. En bref, un système de fabrication intelligent maximise les performances (coûts, délais, flexibilité et qualité) en utilisant des logiciels qui favorisent un flux rapide et une utilisation généralisée de l’information numérique dans et entre les systèmes de fabrication. 

On qualifie les performances d’un Smart Manufacturing System (SMS) à l’aide d’indicateurs de productivité, d’agilité mais aussi de qualité et de durabilité8. En effet, il faut aussi prendre en compte dans un SMS des mesures d’innovation et de personnalisation des produits, en plus des métriques de qualité traditionnelles comme le rendement ou encore les retours clients. Quant à la durabilité de la fabrication, elle est définie en termes d’impact environnemental (comme l’énergie et les ressources naturelles), de sécurité et de bien-être des employés ainsi que de viabilité économique. 

L’ensemble des logiciels mis en place pour obtenir un système de fabrication intelligent doivent remplir les objectifs propres à ces indicateurs tout au long de la durée de vie du produit. On peut distinguer deux intégrations possibles de ces logiciels : 

  • D’une part une intégration verticale pour gérer le flux classique d’information entre les logiciels, c’est-à-dire le cheminement des données depuis la machine, en passant par la supervision et l’organisation de celles-ci (l’ordonnancement des ordres de fabrication par exemple) jusqu’au niveau de l’entreprise.
  • D’autre part une intégration horizontale visant à optimiser la chaîne de valeur du produit, en connectant tous ses acteurs (fournisseurs, clients…), au-delà du seul périmètre de l’entreprise. Cette intégration horizontale décrit à la fois les flux de l’entreprise, du produit et du process. 

Découvrez notre livre « Intelligence Artificielle : La Révolution de l’Industrie 4.0 » disponible en version numérique et papier.

Références

1 « Scaling AI in manufacturing operations : A practitioner’s perspective », CapGemini Research Institute, 2019 :https://www.capgemini.com/wp-content/uploads/2019/12/AI-in-manufacturing-operations.pdf

2 et 8 L’Usine du futur. Stratégies et déploiement. Industrie 4.0, de l’IOT aux jumeaux numériques, Nathalie Julien, Eric Martin, Dunod, 2018.

3 Collaborer avec la machine : quels changements pour l’opérateur ?, Anne-Sophie Dubey et Caroline Granier, Presses des Mines, 2020.

4 « Système de déploiement d’un robot mobile autonome basé sur des balises » Automatique / Robotique, Lionel Génevé, Université de Strasbourg, 2017 : https://tel.archives-ouvertes.fr/tel-01713665/document

5 Industrie 4.0 : l’usine connectée, Gimelec, Livre Blanc, 2013.

6 « Bon travail, IA : comment les technologies aident à sauver la nature » : https://www.journaldunet.com/solutions/dsi/1497625-bon-travail-ia-comment-les-technologies-aident-a-sauver-la-nature/.

7 « Transformation numérique de l’industrie : le beacon, un potentiel considérable » : https://www.journaldunet.com/ebusiness/internet-mobile/1495917-la-transformation-numerique-de-l-industrie-le-beacon-un-potentiel-considerable/