Pour Michelin, vision par ordinateur et IA en usine

L'engagement de Michelin dans le domaine de l'intelligence artificielle n'est pas une tendance récente, mais remonte à près de vingt ans. Les premiers cas d’application remontent à 2007, lorsque la multinationale du pneumatique a mis en œuvre des systèmes basés sur la vision par ordinateur.

Un premier exemple a vu l'utilisation d'une caméra très sophistiquée capable d'analyser et d'évaluer le profil d'une valve, pour permettre à un robot de la positionner correctement sur une chambre à air. Si les normes étaient respectées, le produit était emballé comme prévu ; sinon, il a été rejeté. Un autre cas, datant également de 2007, a utilisé la vision artificielle pour vérifier qu'une plate-forme de montage de pneus était vide et propre, essentiellement prête à l'emploi.

Ce chemin entamé il y a quelques temps conduit aujourd'hui la multinationale, active dans le monde entier, à se concentrer sur trois domaines de développement de l'intelligence artificielle : l'IA générative, le traitement des données et, surtout, la vision par ordinateur.

Gen AI qui facilite le travail de bureau

L'application la plus récente, et celle avec le moins d'impact en termes de productivité, « est l'utilisation de l'intelligence artificielle générative, largement développée au cours de la dernière année », comme l'a expliqué Michele Ambrogio, responsable de l'innovation de Michelin Italiana, à l'occasion d'un événement organisé à Milan par Bonfiglioli Consulting.

Pour le géant manufacturier, la Gen AI est avant tout considérée comme un outil permettant de rationaliser et d’intégrer les opérations de bureau. L'application principale concerne l'extraction automatique de données à partir de documents sous n'importe quel format et dans n'importe quelle langue.

Le contexte logistique de Michelin est vaste et complexe : l'entreprise consomme environ 1 100 tonnes de matières premières par jour, soit l'équivalent de 50 à 60 camions livrant des lots de caoutchouc, de silice et de produits chimiques divers en provenance du monde entier.

Tous les documents envoyés par les fournisseurs contiennent à la fois des données relativement banales, comme les kilos et les numéros de lot sur les bons d'expédition, et des données nettement plus complexes, comme celles présentes dans les certificats d'analyse, qui varient selon la langue, les unités de mesure et les paramètres.

Le système Aurore

Le système utilisé, appelé Aurora, est une IA développée en interne par Michelin, avec des fonctionnalités similaires à celles d'un copilote.

Même s'il a fallu investir du temps pour trouver les bonnes invites (généralement plus efficaces en anglais qu'en italien), le taux de fiabilité trouvé est « extrêmement bon », parlant d' »au moins 99% de données extraites correctement. Pour arriver à ce résultat sur les certificats d'analyse plus complexes, il a fallu différencier les invites par familles de produits chimiques ou composition de fournitures », souligne le responsable de l'innovation de Michelin Italiana.

L'adoption de ces outils représentait avant tout un défi culturel : le plus grand effort n'a pas été de développer les algorithmes, mais de convaincre les gens de les utiliser, en surmontant une certaine « paresse mentale », note le responsable : « même si l'IA générative n'a pas apporté de grands gains d'efficacité en termes de productivité, elle a éliminé le travail désagréable et improductif », comme celui de se pencher sur des documents à la recherche de chiffres pour rapporter sur d'autres applications, « permettant au personnel de se concentrer sur des opérations à plus grande valeur ajoutée ».

Gérer les flux opérationnels pour éviter les goulots d’étranglement

Le deuxième domaine d’application de l’IA est le traitement et la gestion des données issues des usines de production automatisées. Ce projet a été développé en collaboration avec le Centre de compétences de Turin, le CIM 4.0.

Dans ce cas, l'accent est mis « sur les systèmes de transfert », remarque Ambrogio, « c'est-à-dire des systèmes qui fonctionnent sur des postes d'exploitation différents, chacun caractérisé par des temps de cycle très courts, parfois de quelques secondes ou, pour des opérations unitaires, de quelques dixièmes de seconde. « goulot d'étranglement » de l'ensemble de la chaîne opérationnelle, réduisant la productivité ».

L’IA résout ce problème en surveillant en permanence les temps de cycle des opérations des unités et en résumant les tendances. Cela permet aux services de maintenance de se concentrer spécifiquement et efficacement sur les zones où se produit une dérive ou une anomalie. Le temps nécessaire au diagnostic est quasiment en temps réel, ce qui augmente également le temps disponible pour l'intervention de réglage.

Diagnostics instantanés, tendances de dégradation

Le système ne se limite pas aux diagnostics instantanés, il peut également identifier les tendances de dégradation. Par exemple, « si un vérin pneumatique commence à perdre de l'air, sa course s'allonge progressivement. L'IA peut percevoir cette tendance avant qu'elle ne soit visible par l'homme et, en extrapolant la tendance, prédire quand la pièce en question influencera le temps cyclique du poste d'exploitation », explique le responsable Innovation.

De plus, l'outil analyse l'efficacité des interventions de maintenance, en comparant automatiquement les temps de cycle ante Et poste remplacement de certains éléments.

En termes de résultats, ce système, utilisé depuis près de deux ans, a permis d'augmenter l'efficacité de l'usine de 1 à 2 % par rapport à avant. Un chiffre qui, multiplié à l’échelle globale, fait une différence significative.

« Cela a également permis d'améliorer l'utilisation des pièces de rechange, puisque le système permet de vérifier si l'intervention de maintenance a été correcte, en évitant les remplacements inutiles », observe Ambrogio : « compte tenu de son efficacité, Michelin étend cette technologie à d'autres processus similaires caractérisés par des cycles complexes et particuliers, comme les centaines de presses de vulcanisation de l'usine de Cuneo ».

Innovation et impact de la vision par ordinateur

La vision par ordinateur est le domaine dans lequel Michelin a accumulé le plus d'expérience et est considéré comme ayant le plus grand impact, également sur les niveaux de productivité globaux.

Un premier cas d'application « concernait l'utilisation de profilomètres dans l'activité d'extrusion de produits manufacturés », explique le responsable, « pour détecter la présence de matières étrangères sur des produits dont l'épaisseur est inférieure à celle d'une feuille de papier. Cela apportait une bonne valeur ajoutée, mais révélait un problème critique : l'obsolescence des instruments. Les profilomètres choisis étaient déjà sur le marché depuis trois ans et après trois années d'utilisation supplémentaires, ils étaient devenus obsolètes, obligeant l'entreprise à repenser l'approche pour l'extension future de la technologie ».

Mais la principale application de l’IA chez Michelin est le système Iris, un outil permettant de vérifier la qualité esthétique de chaque pneumatique.

Contrôle qualité de l'iris et des pneus

Le contrôle qualité des pneumatiques est une opération extrêmement délicate : « un pneumatique peut présenter jusqu'à 200 défauts d'aspect différents, et le personnel en charge nécessite près d'un an et demi de formation spécifique. Entretenir la réputation de marque Michelin prime c'est fondamental, et mettre la qualité en danger était impensable », souligne le responsable de l'innovation.

Dans l'usine de Cuneo, environ 6 % du personnel, soit plus de 180 personnes, est affecté au contrôle manuel des pneus. L'entreprise a donc décidé de développer le système Iris à la fois pour la productivité et pour garantir que la qualité ne soit pas dégradée.

Iris, dont le développement a débuté en 2018 (avec une qualification en 2022 en raison d'un an et demi de Covid-19), s'appuie sur la vision par ordinateur (caméras 2D et 3D) qui capturent des images de l'intérieur et de l'extérieur du pneu.

Le réseau neuronal qui vérifie les normes

Un réseau neuronal analyse ces images en quelques secondes pour déterminer leur conformité. Aujourd'hui, l'apparence de plus de 50 % des pneus fabriqués à Cuneo est vérifiée par ce système.

Le développement a été long et complexe (réalisé par une équipe internationale de plus de 30 personnes) pour deux raisons principales : la couverture dimensionnelle et environnementale, puisque le système devait filtrer toute perturbation (soleil, reflets, zones d'ombre) et travailler sur une gamme dimensionnelle très large, depuis les pneus de 15 pouces pour les petites voitures jusqu'aux pneus de plus de 20 pouces pour les SUV.

Détection de défauts sur le produit

Et puis la détection des défauts : pour entraîner le système aux 200 types de défauts, le Machine learning a été utilisé. Pour obtenir une bonne fiabilité, il faut généralement 300 à 500 images par défaut.

Étant donné que les défauts sont générés par le processus et que certains défauts apparaissent très rarement (parfois seulement 10 cas par an), un délai irréaliste de 30 à 50 ans aurait été nécessaire pour la formation. La solution a été de rapatrier les défauts collectés dans toute l'Europe vers le site de Cuneo pour accélérer le processus d'apprentissage.

Autres avantages et ergonomie de fonctionnement

Malgré l'effort économique (plus d'un million d'euros), le système était meilleur que l'œil humain. L'œil humain, après des heures de vérification, est sujet à l'inattention, tandis que le système d'IA n'est pas distrait.

Cela a permis à Michelin d'améliorer le résultat d'insatisfaction des clients de 30 %, augmentant encore le niveau de qualité par rapport à concurrents.

Et puis l'ergonomie opérationnelle : l'augmentation de la diffusion des SUV, qui s'opère dans ces années et dans les années à venir, a conduit à l'utilisation de pneus beaucoup plus lourds (12-15 kg, contre 7-8 kg auparavant).

L’IA allège donc un autre fardeau des travailleurs

La vérification manuelle de ces charges pose de sérieux problèmes ergonomiques, d'autant plus que le personnel chargé de la vérification est en grande partie féminin : les femmes, statistiquement, démontrent une plus grande capacité de concentration dans ce domaine.

En permettant de limiter l'activité manuelle aux seules roues « à risque de défauts », Iris a considérablement réduit l'effort physique du personnel de contrôle qualité, résolvant ainsi un problème ergonomique mis en pratique par l'évolution du marché automobile.