Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Faire progresser la maintenance prédictive des robots pour l'industrie 4.0
Les jumeaux numériques et l'IA comblent l’écart entre la simulation et la réalité
Les sites de fabrication sont confrontées à un défi persistant : les programmes de maintenance suivent généralement des délais stricts, comme par exemple la vérification de cette pièce tous les trois mois, le remplacement de ce composant tous les six mois, quelle que soit l’usure réelle. Il en résulte une inefficacité des deux côtés : des temps d’arrêt inutiles pour des inspections et des remplacements superflus, et des défaillances qui surviennent avant qu’un composant ne soit programmé pour la maintenance.
« Les jumeaux numériques sont très utiles pour le diagnostic des défaillances. Nous pouvons les connecter aux données des machines réelles et ensuite utiliser ces données pour améliorer le modèle. »
À CentraleSupélec–Université Paris-Saclay, le professeur Zhiguo Zeng et son équipe se confrontent à ce problème avec une approche innovante qui combine la technologie des jumeaux numériques avec le Deep Learning. Leur objectif est de détecter les défaillances au niveau des composants dans les systèmes robotiques en utilisant uniquement des données de surveillance au niveau système, sans avoir besoin de placer des capteurs sur chaque pièce critique.
« La maintenance est un problème très important pour une usine », explique Zeng. « Si vous savez à l'avance quand votre machine a besoin de maintenance, vous pouvez planifier la réparation pendant une période où vous avez moins de commandes, minimisant ainsi la perte de productivité. »
Bien que Zeng dispose d'une vaste expérience en ingénierie liée à la fiabilité et en prédiction de durée de vie, la technologie des jumeaux numériques représente un changement par rapport à ses travaux précédents. En rejoignant le projet interdisciplinaire « Industrie du futur », dirigé par les professeurs Anne Barros et Pedro Rodriguez-Ayerbe de CentraleSupélec, il a compris comment les jumeaux numériques pouvaient connecter des outils de simulation puissants directement aux systèmes physiques en temps réel.
« Les jumeaux numériques sont très utiles pour le diagnostic des défaillances. Nous pouvons les connecter aux données des machines réelles et ensuite utiliser ces données pour améliorer le modèle », explique Zeng.
Avec des applications qui s’étendent à l’ensemble des secteurs de la fabrication, de l'automobile, de l'aérospatiale et d'autres domaines, les jumeaux numériques sont l'une des technologies les plus prometteuses de l'Industrie 4.0. Les organisations bénéficient d’une visibilité sans précédent sur les besoins d’exploitation et de maintenance en créant des répliques virtuelles d’objets ou de systèmes physiques.
Les jumeaux numériques offrent également une solution à l’un des aspects les plus difficiles du développement de systèmes de maintenance prédictive : la rareté des données de défaillances. « En réalité, nous ne voyons pas souvent de défaillances », explique Zeng. « Nous créons désormais ce type de données en simulant une défaillance. »
Faire le lien entre le virtuel et le physique
Travailler sur des projets de jumeaux numériques offre des options de mise en œuvre avec différents niveaux d'intégration entre les systèmes physiques et virtuels. L’équipe de Zeng a travaillé avec trois niveaux distincts de représentation numérique. Au niveau de base, un modèle numérique fonctionne comme une simulation conventionnelle, fonctionnant hors ligne avec des modèles statiques qui n'échangent pas de données avec des systèmes physiques. Un niveau supérieur est « l’ombre » numérique, où le modèle virtuel prend des données du système physique pour refléter son comportement, mais ne le contrôle pas. L’implémentation la plus avancée est un véritable jumeau numérique avec un flux bidirectionnel de données et d’informations. Ici, le modèle se met à jour en fonction des observations et prend des décisions, en temps réel, qui contrôlent le système physique.
L'équipe a sélectionné un robot éducatif ArmPi FPV pour ses tests. Ce robot comprend cinq articulations et un effecteur terminal (pince), contrôlés par six servomoteurs. Créer un jumeau numérique suffisamment précis pour servir de base au diagnostic des défaillances était un défi.
L’équipe a également été confrontée aux limites des approches de surveillance traditionnelles. « Dans la plupart des cas industriels, pour diagnostiquer un roulement, vous avez besoin de capteurs au niveau du roulement », explique Zeng. « Ce n’est pas facile. Imaginez une grosse machine avec un roulement à l’intérieur. Il faudrait démonter la machine pour installer les capteurs. Parfois, il n’y a pas assez de place. »
« Tout commence par le design d’un modèle de simulation. Simulink est très puissant si vous souhaitez modéliser des systèmes dynamiques et leurs contrôleurs. »
Le robot éducatif ArmPi FPV. (Crédit image : CentraleSupélec)
Leur approche utilise des données au niveau système (la trajectoire de mouvement de l'effecteur terminal d'un robot) pour diagnostiquer les défaillances au niveau des composants (problèmes avec les moteurs individuels). Elle s’appuie sur le jumeau numérique pour combler l’écart entre ce qui peut être observé et ce qui doit être détecté. L'équipe a construit son jumeau numérique en utilisant Simulink® et Simscape Multibody™, créant un modèle hiérarchique représentant à la fois les comportements au niveau des composants et du système.
« Tout commence par le design d’un modèle de simulation », explique Zeng. « Simulink est très puissant si vous souhaitez modéliser des systèmes dynamiques et leurs contrôleurs. »
Ils ont utilisé Simulink pour modéliser les deux contrôleurs de moteur en tant que contrôleurs PID avec des gains réglés expérimentalement. Ils ont exploité les capacités de visualisation de Simulink, créant des interfaces pour relier les données de simulation aux lectures physiques du robot pour une surveillance en temps réel.
ROS Toolbox s'est avérée très utile pour se connecter au hardware du robot. « Si vous souhaitez utiliser un système d'exploitation de robot (ROS), vous configurez généralement le ROS et un environnement Python®, et vous devez tout gérer vous-mêmes », explique Zeng. « Avec ROS Toolbox, tout est géré automatiquement, ce qui représente un gain de temps considérable. »
L'équipe a exploré deux approches pour préparer les données de son modèle d'IA, en utilisant initialement des mesures brutes : les commandes envoyées aux moteurs et les modèles de mouvement résultants de la pince du robot. Ensuite, elle a exploité le jumeau numérique dans le cadre de la préparation des données. En utilisant la simulation pour prédire comment le robot devrait se déplacer avec chaque commande, elle a pu mesurer la différence entre les mouvements attendus et réels ; ces différences se sont avérées particulièrement précieuses pour détecter les défaillances subtiles.
Un modèle Simulink pour le bras robotique dans Simscape Multibody. (Crédit image : CentraleSupélec)
L’équipe a formé un réseau de neurones LSTM (long short-term memory) à l’aide de Deep Learning Toolbox™ pour identifier des modèles indiquant des défaillances spécifiques. L'architecture du modèle comprenait deux couches LSTM avec 100 unités cachées chacune, une couche de régularisation par abandon (dropout) entre elles et une couche de classification entièrement connectée.
L'équipe a conçu une interface utilisateur graphique à l'aide de MATLAB® App Designer pour collecter des données en temps réel, y compris la position, la tension et la température de chaque moteur. L'interface leur a permis de surveiller l'état du robot et de valider les prédictions de leurs modèles de diagnostic de défaillances.
Grâce à ces outils intégrés fonctionnant ensemble de manière transparente, l’équipe a pu se concentrer sur la résolution des défis techniques plutôt que de se débattre avec des problèmes de compatibilité logicielle. « Tout est très efficace », dit Zeng.
Le défi de l'écart entre la simulation et la réalité
Lorsque l’équipe a testé le modèle entraîné sur le robot réel, elle a rencontré ce que les chercheurs appellent « l’écart avec la réalité », soit l’écart entre la simulation et le monde réel. Alors que le modèle de diagnostic des défaillances a atteint une précision de 98 % en simulation, identifiant correctement à la fois l'emplacement et le type de défaillances moteur, ses performances ont chuté à environ 60 % lorsqu'il a été testé sur le robot terrain.
L’équipe a amélioré la précision dans le monde réel à environ 85 %, ce qui constitue une avancée significative vers la mise en œuvre pratique.
« Nous analysons pourquoi la simulation ne correspond pas à la réalité », explique Zeng. « Dans le monde réel, ce n’est jamais parfait. Il y a quelque chose que vous ne prendrez pas en compte dans la simulation. »
Zeng et son équipe ont identifié plusieurs facteurs contribuant à cet écart de performance, notamment des problèmes de fiabilité de la communication, un bruit moteur non pris en compte dans la simulation et des problèmes de synchronisation entre les commandes de contrôle et les activités de surveillance.
Animation du bras du robot dans une erreur en régime permanent, ainsi qu'une matrice de confusion pertinente. (Crédit vidéo et image : CentraleSupélec)
Ces défis reflètent un problème plus large dans les applications des jumeaux numériques : la réalité est plus complexe que les simulations les plus sophistiquées. Plutôt que de se décourager, l'équipe a développé des méthodes pour combler cet écart, notamment en ajoutant un module à leur jumeau numérique qui simule des modèles de bruit du monde réel et en appliquant des techniques d'adaptation de domaine dans le cadre de l’apprentissage par transfert.
« Si vous développez un modèle de jumeau numérique, même si vous effectuez des tests d'étalonnage, ceux-ci sont toujours effectués dans des environnements contrôlés », explique Zeng. « Mais les données sont beaucoup plus bruitées lorsque vous déployez votre modèle dans des cas industriels. Comment compenser la réalité avec ce bruit de fond d’un point de vue algorithmique est une direction de recherche ambitieuse. »
Grâce à ces modifications, l’équipe a amélioré la précision dans le monde réel à environ 85 %, ce qui constitue une avancée significative vers la mise en œuvre pratique.
De petite échelle à une usine intelligente
Le travail de l’équipe s’étend au-delà d’un seul robot. Ils développent un environnement d'usine intelligente à petite échelle où plusieurs robots travaillent en collaboration sur une ligne de production, leur permettant de tester des algorithmes de diagnostic de défaillances dans des environnements plus réalistes.
« Nous essayons de créer une mini-usine intelligente », explique Zeng. « Nous créons un environnement de ligne de production dans lequel nous pouvons déployer notre algorithme sur le robot pour tester s'il peut être intégré à la planification de la production. »
Cette approche présente également des avantages sur le plan éducatif. Les étudiants ingénieurs de CentraleSupélec acquièrent une expérience pratique de la technologie des jumeaux numériques, de la robotique et du Machine Learning à travers des cours et des projets.
« Lorsque les étudiants partent de zéro et conçoivent ce modèle dans l’espace virtuel, puis le connectent progressivement au robot, on peut constater qu’ils éprouvent une satisfaction à travers ce processus », explique Zeng.
Les applications pratiques de cette recherche s’étendent à la fabrication, à l’entreposage et à d’autres environnements industriels. Dans les entrepôts intelligents, par exemple, les robots suivent des itinéraires prédéfinis mais doivent s’adapter lorsque des obstacles apparaissent.
« Lorsque les élèves partent de zéro et conçoivent ce modèle dans l'espace virtuel, puis le connectent progressivement au robot, on peut constater qu’ils éprouvent une satisfaction à travers ce processus. »
« Dans un entrepôt intelligent, les robots suivent des règles prédéfinies, mais il peut y avoir des cas (par exemple, un colis tombé bloquant le chemin) où vous devez rediriger et reprogrammer les itinéraires », explique Zeng. « Vous avez besoin d’un système de jumeau numérique car vous devez connaître la position en temps réel de chaque robot pour les coordonner. »
L'équipe explore des applications supplémentaires, notamment le contrôle tolérant aux défaillances, comme l'adaptation du mouvement d'un robot lorsqu'un composant tombe en panne. Les chercheurs développent également un contrôle tenant compte de l’état de santé, où les niveaux de dégradation et la durée de vie utile restante de chaque moteur sont également pris en compte dans le modèle d’optimisation de la trajectoire, plutôt que de simplement prendre en compte la consommation d’énergie.
Leur code, leurs modèles et leurs ensembles de données sont disponibles gratuitement dans des dépôts GitHub®, invitant d’autres chercheurs à s’appuyer sur leurs travaux. L’objectif est d’améliorer les systèmes de diagnostic des défaillances, quelle que soit l’origine des améliorations. « Si vous découvrez quelque chose que nous pouvons améliorer, faites-le-moi savoir », déclare Zeng. « Je serai heureux de voir quelqu’un obtenir de meilleurs résultats que nous. »
Pour Zeng, dont les parents travaillaient comme ingénieurs dans le secteur manufacturier chinois, cette recherche représente plus qu’un exercice académique : c’est une mission personnelle visant à améliorer les conditions de travail dans les environnements industriels.
« Quand j’étais jeune, j’ai vu à quel point il était difficile de travailler dans le secteur manufacturier », explique Zeng. « Ma vision est de remplacer ce type de travail humain par des robots afin que les gens puissent profiter d’une vie meilleure. »
Cette vision a été développée et soutenue par de nombreux collaborateurs dévoués. Zeng remercie chaleureusement la Chaire « Risques et Résilience des Systèmes Complexes » et le Conseil National de la Recherche Scientifique pour leur précieux soutien financier. Cette recherche a débuté comme un « projet pôle » dans le cursus ingénieur de CentraleSupélec, sous la direction des professeurs Jean-Philippe Poli et Wassila Ouerdane, à qui Zeng exprime sa gratitude. Il tient également à souligner les contributions importantes de ses étudiants talentueux : Zhenling Chen, Zhuoxuan Cao, Achraf El Messaoudi, Wenxuan Hu, Haobo Li, Peilin Li, Killian Mc Court et Xavier Mc Court.
Zeng invite chaleureusement les collaborations du monde universitaire, de l’industrie et d’ailleurs à se joindre à l’avancement de cette mission. « Ensemble, construisons un monde plus fiable. »
Lire d'autres articles
IA / SYSTÈMES DE CONTRÔLE
Concevoir des équipements électriques plus intelligents intégrés à l'IA
La combinaison de l’approche Model-Based Design et de l'IA dans les systèmes électriques améliore les opérations dans l’industrie.
CONDUITE AUTOMATISÉE / ROBOTIQUE
Appliquer des techniques robotiques éprouvées aux processus de développement automobile
Renault fait progresser le prototypage ADAS avec ROS Toolbox et l'intégration de Simulink
IA / SYSTÈMES DE CONTRÔLE
HL Mando développe une plateforme de maintenance prédictive pilotée par l’IA pour tester les composants automobiles
Les jumeaux numériques accélèrent les tests des composants tout en réduisant les coûts
