Comment une startup de Bengaluru aide les usines à acquérir un sixième sens

Les machines ont toujours été intrinsèquement capables de communiquer de manière auditive – en particulier celles avec des pièces électriques et mobiles. Le ronflement d’un ventilateur d’ordinateur portable par ailleurs silencieux signalerait un système fonctionnant à pleine charge, un bourdonnement inhabituel dans une voiture pourrait indiquer un moteur défectueux. Dans les usines, les machines lourdes gémissent tout le temps, sauf qu’il est difficile de les entendre dans le vacarme (lisez le son de l’échec à ce sujet).

Une société du Bengalore a maintenant mis au point des algorithmes d’intelligence artificielle et des outils d’analyse pour surveiller les opérations en usine et diagnostiquer la santé des machines industrielles simplement par les sons qu’elles produisent. Les points de données dérivés des sons permettent de générer des visualisations et des diagnostics au niveau de l’usine sur l’ensemble des opérations.

« Nous avons développé des modèles d’IA basés sur l’apprentissage en profondeur qui utilisent le son comme entrée et le classent ensuite en différentes instances ou catégories « , explique Anand Deshpande, cofondateur et directeur général de Asquared IoT. « Les machines produisent des sons qui transportent et transmettent beaucoup d’informations, que ce soit l’état d’une machine, l’étape d’un processus particulier, ou si un processus est effectué correctement. »

Asquared IoT a été fondé en 2017 par Deshpande et Aniruddha Pant – tous deux titulaires d’un doctorat en génie mécanique qui ont déjà travaillé dans des domaines comme l’apprentissage machine, la modélisation mathématique et l’analyse de données – ainsi que Kanchan Pant, qui exploite une entreprise de fabrication de composants automobiles qui fait office d’installation de test pour Asquared.

Globalement, quelques autres sociétés, dont OneWatt à Amsterdam et Noiseless Acoustics à Helsinki, opèrent dans un espace similaire. En Inde, selon Deshpande, Asquared est la seule société offrant une solution industrielle de diagnostic et d’analyse basée sur le son.

L’AI à l’écoute des machines

Si vous avez visité une usine ou un atelier d’usinage, vous savez que cela peut devenir très bruyant. L’un des défis auxquels Asquared a dû faire face était de pouvoir identifier clairement les différentes sources sonores. « Dans l’atelier, il y a tellement de sons mélangés qu’il est difficile d’identifier une source. Les bruits de fond sont nombreux. (Mais) notre système peut filtrer et identifier la source unique surveillée. Nous nous sommes attaqués à ce problème et nos algorithmes d’apprentissage machine formés peuvent identifier et identifier la source du son « , dit Deshpande.

Un autre défi auquel l’équipe a dû faire face était celui de la taille des données générées par le système. La plupart des systèmes d’analyse de données industrielles traitent généralement les données à distance sur le cloud. Mais les données sonores sont lourdes et nécessitent une large bande passante, ce qui les rend encombrantes et peu pratiques pour la diffusion en continu sur Internet.

Pour contourner ce problème, Asquared a mis au point un système informatique de pointe composé d’unités de traitement prélevées sur les étagères. L’informatique de pointe est une méthode de traitement et d’analyse des données à proximité de la périphérie d’un réseau, ou localement, où les données sont générées, au lieu de transmettre les données à un serveur informatique centralisé pour analyse. Les appareils d’Asquared sont installés dans des usines à proximité des machines à analyser. L’entreprise exécute ensuite ses algorithmes d’apprentissage machine pour traiter et analyser les sons prélevés sur les machines.

Les algorithmes développés par l’entreprise sont ensuite personnalisés pour fonctionner sur des plates-formes informatiques spécifiques. « Nous ne concevons pas le dispositif de bord mais nous les achetons sur étagère en fonction de nos besoins. Par exemple, à l’heure actuelle, nous utilisons des cartes Intel, mais il y a aussi d’autres sociétés comme Nvidia qui développent ces cartes. Nous optimisons ensuite nos algorithmes pour les faire fonctionner sur une plate-forme de traitement particulière avant de déployer notre système « , explique M. Deshpande.

Ce que les sons peuvent dire sur une machine

Les machines d’aujourd’hui sont équipées d’un ensemble de capteurs qui recueillent et partagent divers points de données. Mais beaucoup d’autres processus et systèmes n’ont pas encore la capacité de le faire. Un avantage unique de la solution d’Asquared est qu’elle permet d’extraire des points de données de systèmes qui n’en généraient pas auparavant, comme les anciennes machines à souder et les tours de l’ère pré-capteur.

Certaines d’entre elles comprennent des opérations et des machines que l’on trouve dans des entreprises qui ont des ateliers de fabrication avec des procédés tels que le découpage, le soudage et le perçage.

« Notre USP est que notre solution permet de dériver des données à partir de machines et de processus qui ne donnaient pas de points de données auparavant, et en utilisant notre plate-forme d’analyse, nous tirons des informations de ces points de données pour nos clients, » explique Deshpande.

L’appareil, appelé Equilips, écoute les sons des machines et les catégorise en événements tels que le bon fonctionnement ou non d’une machine ou d’un processus. Le système génère un journal de ces données par seconde et le logiciel utilise les points de données collectés pour calculer de multiples paramètres et générer des informations opérationnelles et analytiques.

Bien que l’accent soit mis principalement sur ces systèmes, la solution de l’entreprise fonctionnera également sur des machines déjà équipées de capteurs qui génèrent des points de données similaires. Dans ces cas, les solutions Internet of things (IoT) d’Asquared servent de source de données supplémentaires pour l’analyse.

Les informations fournies aux usines par le biais de la plate-forme d’analyse comprennent des points de données opérationnelles tels que les temps de disponibilité, les temps d’arrêt, l’état en temps réel, la qualité des processus et les données historiques sur les opérations. En outre, la plate-forme fournit également des informations sur l’état de santé des machines, des panneaux d’avertissement et des alertes de maintenance prédictive pour les différentes machines.

Les solutions de l’entreprise, principalement destinées à l’industrie manufacturière, et plus particulièrement aux opérations d’usinage, sont installées pour des cas d’utilisation variés à travers l’Inde. Asquared a refusé de divulguer les noms de ses clients, décrivant plutôt certaines de ses installations industrielles.

Au Japon, Asquared IoT a déployé sa solution dans une usine de la région de Kobe pour une entreprise de découpe et de sciage de métaux.

« Le propriétaire de l’usine avait une idée de la production globale, mais il n’y avait pas de données sur la quantité produite par chaque machine ou sur le fonctionnement des machines. Par exemple, il y a plusieurs machines et il est possible qu’une machine ait fait beaucoup plus de travail et que d’autres machines aient été sous-utilisées « , dit Deshpande. « Aussi, plus tôt, pour savoir combien de machines fonctionnaient et combien ne fonctionnaient pas, ils devaient appeler et vérifier manuellement. Mais maintenant, ils peuvent voir cela sur le tableau de bord et obtenir un instantané en temps réel de ce qui se passe. Ils peuvent aussi comprendre les inefficacités et les détails opérationnels. »

Un autre déploiement d’Asquared est dans une usine de Chennai pour surveiller son processus de soudage par ultrasons pour l’assemblage de pièces plastiques. « C’est un processus assez complexe à surveiller. Il y aura beaucoup plus de données dans le spectre ultrasonore que dans le spectre sonique, et les processus ne prennent que quelques secondes à compléter. Notre système est en train d’être déployé pour analyser la qualité du processus de soudage par ultrasons « , explique M. Deshpande.

Pour l’instant, la limite évidente du système est qu’il ne fonctionne que sur des processus qui donnent une signature sonore. Les machines qui ne génèrent pas de signatures sonores uniques liées à leur processus posent également un défi pour des raisons évidentes.

Globalement, l’analyse du son a également trouvé d’autres applications intéressantes. Il est déployé par PepsiCo dans le processus de contrôle de la qualité de ses puces Frito-Lay, qui consiste à frapper les puces avec des lasers, puis à écouter les sons pour déterminer la texture des puces. Anheuser-Busch InBev SA, fabricant de la bière Budweiser, a déployé un système d’apprentissage machine basé sur le son pour la maintenance prédictive de ses machines.

Le défi du bruit et de la technologie

Deshpande insiste sur le fait que le système d’Asquared n’est pas une solution à tout, mais qu’il fonctionne sur des processus et des machines qui produisent des sons variables selon le statut et les processus des machines. « Heureusement pour nous, cela couvre la plupart des machines et processus de fabrication. »

Malgré cela, la sensibilisation de l’industrie et l’adoption de nouvelles technologies telles que l’analyse basée sur le son restent faibles en Inde, déclare Nihal Kashinath, fondateur et PDG d’Applied Singularity, une plate-forme pour les entreprises d’IdO et d’IA. « Aujourd’hui, une grande partie de l’industrie de l’usinage et de la fabrication n’est pas au courant de la disponibilité de ces technologies et systèmes et de ce qu’ils peuvent faire pour eux. Une fois que l’obstacle de (un manque de) sensibilisation est surmonté, vous pouvez avoir plus de cas de ce genre (de cette technologie) déployés dans l’industrie. »

L’évolution du paysage sonore et le nombre croissant de capteurs dans les usines d’aujourd’hui sont les autres défis que Kashinath voit pour les systèmes basés sur le son.

« Aujourd’hui, l’atelier est en constante évolution, ce qui créera un environnement sonore dynamique et en constante évolution. Le succès d’une telle technologie basée sur le son dépendra de leur capacité à filtrer le bruit de fond du son qui doit être surveillé ou analysé « , dit-il. « De plus, les points de données provenant du son pourraient mieux fonctionner avec d’autres données de capteurs à l’appui pour donner des points de données plus précis et de meilleure qualité. Ces modèles d’apprentissage machine s’amélioreront à mesure qu’ils passeront plus de temps sur la formation en usine eux-mêmes. »

Via FactorDaily

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.