Intelligence artificielle en référence croisée : recherche automatique de pièces détachées équivalentes

Introduction : défis MRO et solutions d'IA

La production industrielle moderne en Ukraine est confrontée à d'importantes difficultés pour assurer la continuité des processus de production, notamment dans le domaine de la maintenance et de la réparation (MRO). L'un des défis majeurs est la recherche efficace de pièces de rechange équivalentes. Cela est dû à l'énorme nomenclature, à la variété des fabricants, aux changements constants dans l'assortiment et aux catalogues obsolètes.

Les méthodes de recherche traditionnelles nécessitent souvent un investissement de temps important et des connaissances approfondies de la part du personnel d'ingénierie, ce qui se traduit par :

• Temps d'arrêt à long terme de l'équipement, ce qui réduit l'efficacité globale de l'équipement (OEE).
• Achats de stocks excédentaires à des fins de couverture, ce qui gèle le fonds de roulement.
• Coûts opérationnels élevés associés à la logistique et à la maintenance des entrepôts.

La solution à ces problèmes réside dans l’application de l’intelligence artificielle (IA) pour le référencement croisé automatisé des pièces de rechange. Cette technologie permet d'identifier les équivalents fonctionnels et techniques des composants d'origine, optimisant considérablement les processus MRO.

Grâce aux solutions d’IA, les entreprises peuvent réaliser :

• Temps d'arrêt réduits grâce à l'approvisionnement et à la livraison accélérés des composants.
• Optimisation des stocks de l'entrepôt, minimisant la redondance et les coûts associés.
• Réduction des coûts totaux d'achat et de maintenance des pièces de rechange.

Principes du travail de l'IA pour référence croisée

L'idée principale est d'utiliser des algorithmes d'apprentissage automatique (ML) pour une analyse approfondie des caractéristiques techniques, des dimensions géométriques, de la composition chimique des matériaux, des paramètres opérationnels et d'autres métadonnées des pièces de rechange. Les modèles d’IA sont capables de détecter des modèles et des relations cachés qui ne peuvent pas être facilement identifiés par les humains ou les systèmes traditionnels.

Le processus de croisement grâce à l’IA comprend plusieurs étapes clés :

1. Collecte et intégration de données :

   Une variété d'informations sont collectées à partir de bases de données de systèmes ERP, de systèmes PDM, de systèmes de gestion de la maintenance (MMS), de catalogues électroniques (par exemple, UNITEC-D E-Catalog), d'instructions d'utilisation et de dessins techniques. Il est important d'intégrer ces données dans un système unique et centralisé.

2. Prétraitement et normalisation des données :

   Les données brutes contiennent souvent des écarts, des omissions ou des formats non uniformes. À ce stade, des méthodes de traitement du langage naturel (NLP) sont utilisées pour normaliser les descriptions textuelles, ainsi que des algorithmes de vision par ordinateur pour analyser les images et les dessins. Par exemple, la description « roulement à billes radial 6205 » peut être normalisée dans un format contenant des champs distincts pour le type (bille), l'usage (radial) et le marquage (6205).

3. Apprentissage d'un modèle de machine learning :

   Les algorithmes d'apprentissage, souvent basés sur des réseaux de neurones ou des méthodes d'ensemble, analysent des données normalisées pour construire des modèles complexes. Ces modèles apprennent à identifier le degré de similarité entre les différents composants. Par exemple, pour les roulements, le modèle AI peut les comparer en fonction de paramètres tels que le diamètre intérieur (d), le diamètre extérieur (D), la largeur (B) selon DSTU GOST 520:2014, EN ISO 281, capacité de charge (C, C₀), fréquence de rotation maximale, tolérances (classe de précision). Le modèle prend également en compte les matériaux du séparateur, le type de lubrifiant et la température de fonctionnement.

4. Formation de recommandations :

   Après formation, le modèle peut recevoir une demande de pièce de rechange spécifique et générer une liste d'équivalents potentiels. Chaque recommandation est accompagnée d'un indicateur de pertinence ou de probabilité d'équivalence. Par exemple, pour un roulement d'un diamètre intérieur de 25 mm, d'un diamètre extérieur de 52 mm et d'une largeur de 15 mm, le modèle peut proposer plusieurs options de différents fabricants, indiquant l'écart en micromètres (μm) par rapport à l'ajustement idéal.

Exigences en matière de données : volume, qualité et format

La qualité et le volume des données d’entrée sont essentiels à l’efficacité de tout système d’IA. La règle « garbage in, garbage out » est particulièrement pertinente ici.

Types de données requises :

• Spécifications techniques : Paramètres détaillés tels que dimensions (mm), tolérances (μm), pression de service (bar), plage de température (Celsius), puissance nominale (kW), vitesse de rotation (rpm), composition chimique des matériaux, résistance à la traction (MPa). Pour les composants hydrauliques, il peut s'agir du débit (l/min) ou de la viscosité du fluide de travail.
• Données sur les fournisseurs et les fabricants : Articles, numéros de série, désignations de catalogue, informations sur le pays d'origine.
• Données graphiques : Dessins techniques (modèles 2D, 3D), photographies de composants. Les algorithmes de vision par ordinateur peuvent en extraire des informations critiques, telles que l'emplacement des trous, la forme de la fixation et les dimensions globales.
• Données opérationnelles : enregistrements historiques des pannes d'équipement, durée de vie des composants (MTBF), conditions de fonctionnement, données d'approvisionnement. Ces données aident l’IA à comprendre la fiabilité et la compatibilité réelles.

Qualité des données :

Des données de haute qualité constituent la base de recommandations précises. Des données vagues, incohérentes ou incomplètes entraînent des erreurs importantes. Cela nécessite la mise en œuvre de processus de nettoyage, de vérification et de normalisation des données. Par exemple, un format unique pour les mesures de pression (toujours en bars, pas en psi ou Pa). Toutes les unités doivent être métriques.

Volume de données :

Plus il y a de données de qualité disponibles pour entraîner le modèle, plus ses prédictions seront précises et fiables. Atteindre une précision élevée nécessite souvent des milliers, voire des millions d’enregistrements de pièces de rechange.

Format des données :

Les données structurées dans des bases de données relationnelles ou aux formats JSON/XML sont préférées. Cependant, les systèmes d’IA doivent également fonctionner efficacement avec des données non structurées, telles que des descriptions textuelles, des fichiers PDF, des images et des fichiers CAO, en utilisant des modules spécialisés pour les extraire et les traiter.

Architecture de mise en œuvre du système de références croisées

La mise en œuvre efficace d'une solution d'IA pour le référencement croisé des pièces de rechange nécessite une architecture bien pensée couvrant la collecte de données, le traitement des données, l'analyse et l'intégration avec les systèmes d'entreprise existants. Une architecture typique comprend les composants suivants :

1. Sources de données :

   La base est constituée des systèmes existants de l'entreprise : ERP (Enterprise Resource Planning), PDM (Product Data Management), MES (Manufacturing Execution System), systèmes de gestion d'entrepôt (WMS), ainsi que des catalogues électroniques, tels que le UNITEC-D E-Catalog. Ces systèmes contiennent des données détaillées sur les composants, leurs caractéristiques et leur historique d'utilisation.

2. Couche d'ingestion de données :

   Responsable de la collecte de données provenant de diverses sources. Inclut des adaptateurs de données et des API pour communiquer entre les systèmes. Les processus ETL (Extract, Transform, Load) sont utilisés pour extraire, transformer et charger des données dans un stockage unique (Data Lake ou Data Warehouse).

3. Plate-forme de traitement des données (Plate-forme de traitement des données) :

   Il peut être implémenté aussi bien sur des services cloud (par exemple, AWS, Azure, Google Cloud Platform) que sur des serveurs locaux (sur site). Cette plateforme fournit les ressources informatiques nécessaires pour :

   • Nettoyage et normalisation : outils automatisés pour supprimer les doublons, corriger les erreurs, standardiser les unités de mesure et formater les descriptions de texte.
   • Enrichissement des données : Ajout d'informations supplémentaires, par exemple, normes de qualité (ISO, DSTU), certifications (CE, UkrSEPRO).
   • Construction de représentations vectorielles : Transformation de caractéristiques techniques complexes et de données non structurées (texte, images) en vecteurs numériques pouvant être traités par des algorithmes de ML.

4. Couche de modélisation et d'analyse (couche de modèle ML) :

   Les modèles d'apprentissage automatique formés sont hébergés et exécutés ici. Les modèles d'IA sont continuellement formés sur de nouvelles données, améliorant ainsi leur précision. Les principales tâches de cette couche :

   • Détermination de la similarité entre les composants.
   • Générer des recommandations pour les équivalents.
   • Évaluation de la crédibilité et des risques de substitution.

5. Interface utilisateur et intégration avec les systèmes associés :

   Les résultats de l'IA sont intégrés directement dans les flux de travail des utilisateurs. Cela peut être :

   • Interface Web pour les ingénieurs et les professionnels des achats.
   • Intégration avec les systèmes ERP, systèmes d'approvisionnement ou EMS existants, vous permettant de recevoir des recommandations directement dans des outils de travail familiers.
   • API permettant à d'autres programmes d'accéder à la fonctionnalité de référence croisée.

6. Couche de sécurité et de surveillance :

   Assure la protection des données confidentielles conformément aux exigences de ISO 27001. Comprend des systèmes de surveillance des performances des modèles d'IA et de leur précision, ainsi que de gestion de l'accès des utilisateurs.

Cette architecture vous permet de créer un système fiable, évolutif et sécurisé qui automatise le processus complexe de recherche de pièces détachées équivalentes.

Résultats réels et efficacité économique

La mise en œuvre de systèmes de références croisées basés sur l’IA démontre des améliorations significatives des performances opérationnelles et un impact économique significatif dans les entreprises industrielles. Vous trouverez ci-dessous des mesures et des exemples concrets :

1. Réduire les temps d'arrêt des équipements :

   Une usine de construction de machines dans la région de Dnipropetrovsk, en Ukraine, après avoir mis en œuvre un système d'IA permettant de trouver rapidement des analogues de composants critiques, a enregistré une réduction de 15 % des temps d'arrêt des lignes de production. Ceci a été réalisé grâce à la recherche accélérée de pièces de rechange, qui prenait auparavant jusqu'à 4 à 8 heures, mais qui prend désormais 15 à 30 minutes.

2. Optimisation des stocks d'entrepôt :

   Dans l'une des usines métallurgiques d'Ukraine, le système d'IA a permis d'identifier les positions de pièces de rechange en double ou redondantes, ce qui a entraîné une réduction des stocks de l'entrepôt de 20 %. Cela a permis de libérer environ 500 000 € de fonds de roulement, qui ont été réinvestis dans la modernisation des équipements. La période de retour sur investissement (ROI) d'une telle solution était d'environ 12 à 18 mois.

3. Réduction des coûts d'achat :

   L'entreprise de l'industrie chimique a pu réduire le coût d'achat des pièces de rechange à 8 %. Le système d'IA a automatiquement identifié des alternatives moins chères, mais entièrement compatibles et certifiées auprès de fournisseurs fiables, tout en maintenant le respect de toutes les normes techniques (par exemple DSTU EN ISO 12100 pour la sécurité des machines).

4. Augmentation du taux de préparation technique (TSR) :

   Sur la chaîne de production comportant des équipements critiques, le KTG est passé de 0,92 à 0,95. Cela signifie que l'équipement était disponible pour travailler 3 % plus de temps, ce qui affectait directement le volume de production.

5. Réduction du temps nécessaire aux processus d'ingénierie :

   Au lieu de passer des heures à rechercher manuellement dans des catalogues papier ou des feuilles de calcul, les ingénieurs peuvent désormais obtenir des recommandations précises en quelques minutes. Cela leur permet de se concentrer sur des tâches plus complexes, comme la maintenance prédictive ou l’optimisation des processus de production.

La rentabilité totale de tels systèmes dépasse souvent l’investissement initial, confirmant ainsi leur valeur pour les entreprises industrielles axées sur l’efficacité et la compétitivité.

Limites et risques potentiels

Bien que les systèmes de références croisées d’IA offrent des avantages significatifs, il est important d’évaluer objectivement leurs limites et leurs risques potentiels. L’IA est un outil puissant, mais ce n’est pas une panacée universelle.

1. Dépendance à la qualité des données d'entrée ("Garbage in, Garbage Out") :

   L’exactitude et la fiabilité des recommandations de l’IA dépendent directement de la qualité et de l’exhaustivité des données sur lesquelles elles ont été formées. Si les données saisies contiennent des erreurs, des inexactitudes, des omissions ou des contradictions, le système générera des résultats incorrects ou inutiles. Cela nécessite un investissement important dans la collecte, le nettoyage et la vérification des données dès les premières étapes de mise en œuvre.

2. Difficulté à travailler avec des détails "non standards" :

   Pour les composants uniques, fortement modifiés ou très anciens pour lesquels il manque suffisamment de données, l’IA peut avoir du mal à trouver des équivalents. Dans de tels cas, comme auparavant, une expertise par des ingénieurs expérimentés sera nécessaire.

3. La nécessité d'une vérification et d'une validation humaines :

   Le système d'IA est un outil auxiliaire qui optimise le processus de recherche. Cependant, la décision finale de remplacer les composants critiques doit toujours être laissée à un ingénieur qualifié. Cela s'applique particulièrement aux pièces qui affectent la sécurité opérationnelle et nécessitent la certification UkrSEPRO ou la conformité aux directives CE. L’ingénieur doit vérifier tous les paramètres, incluant les matériaux, les tolérances et la compatibilité avec le système.

4. Coûts initiaux de mise en œuvre et de support :

   Le déploiement d'un système d'IA à part entière nécessite un investissement initial important en logiciels, en matériel et, surtout, en personnel qualifié (ingénieurs en traitement de données, spécialistes de l'apprentissage automatique). Cela nécessite également des coûts continus pour maintenir, mettre à jour et recycler les modèles d’IA.

5. Défis d'intégration :

   L'intégration d'un nouveau système d'IA avec l'infrastructure informatique existante de l'entreprise (ERP, PDM, SUTO) peut être complexe et nécessiter des efforts importants pour garantir la compatibilité des données et un échange transparent d'informations.

Compte tenu de ces limites, il est important d’aborder la mise en œuvre de l’IA avec des attentes réalistes et une compréhension claire du rôle humain dans le processus.

Propre développement ou solution prête (« Build vs Buy »)

Lorsqu’elles envisagent la mise en œuvre d’un système d’IA pour le croisement des pièces détachées, les entreprises sont confrontées à un dilemme : développer leur propre solution (build) ou acheter un produit commercial (buy).

Propre développement (Build):

• Avantages :
  • Contrôle total : Possibilité de créer un système parfaitement adapté aux besoins, aux processus et à l'infrastructure informatique uniques de l'entreprise.
  • Intégration approfondie : Garantir l'intégration la plus approfondie possible avec les systèmes internes existants.
  • Propriété intellectuelle : La Société est propriétaire de toutes les technologies et données développées.
• Inconvénients :
  • Coûts élevés : Coûts d'investissement et d'exploitation importants pour le développement, les tests, la mise en œuvre et le support.
  • Délai de mise en œuvre : Le processus de développement peut prendre 18 à 24 mois ou plus, depuis l'idée jusqu'à l'exploitation complète.
  • Besoin de spécialistes : Nécessité de disposer d'un personnel hautement qualifié dans les domaines de l'apprentissage automatique, du traitement des données, du développement de logiciels et de l'expertise du domaine.
  • Risques du projet : Risques élevés d'échec du projet, dépassement du budget et des délais.

Solution commerciale prête (Acheter) :

• Avantages :
  • Mise en œuvre rapide : Possibilité de déployer le système relativement rapidement, généralement en 3 à 6 mois.
  • Fonctionnalité éprouvée : Obtenir une solution prête à l'emploi, testée et vérifiée avec des fonctions déjà intégrées.
  • Risques réduits : Risques de développement réduits car le produit existe déjà et est pris en charge par le fournisseur.
  • Assistance professionnelle : Accès à l'assistance d'experts, aux mises à jour et aux nouvelles fonctionnalités du fournisseur.
• Inconvénients :
  • Moins de flexibilité : Possibilités limitées de personnalisation selon des exigences très spécifiques.
  • Dépendance du fournisseur :Dépendance du fournisseur en termes de fonctionnalités, de prix et de feuille de route de développement.
  • Coût des licences : Coûts permanents des licences et des abonnements.

UNITEC-D GmbH, en tant que fournisseur mondial de composants MRO, comprend ces défis. Nous proposons non seulement des pièces de rechange certifiées de haute qualité, mais également un accompagnement expert dans la sélection et l’adaptation de solutions commerciales d’IA. Notre expertise technique et notre connaissance approfondie de la nomenclature des pièces détachées facilitent l'intégration des données de notre E-Catalogue dans votre système d'IA, quelle que soit la stratégie choisie.

Étapes pratiques de mise en œuvre

Une approche étape par étape est recommandée aux équipes d’ingénierie et aux responsables de production envisageant de mettre en œuvre une solution de références croisées IA :

1. Audit et évaluation des données :

   Réaliser un audit détaillé des données disponibles sur les pièces de rechange. Évaluez leur exhaustivité, leur exactitude et leur format. Identifiez les lacunes et les sources d’amélioration potentielles. C’est le fondement de toute initiative d’IA.

2. Définition du projet pilote :

   Au lieu d'essayer de mettre en œuvre un système pour l'ensemble du volume de pièces de rechange, choisissez un groupe de pièces restreint mais critique (par exemple, des roulements pour une unité clé ou des vannes pour un pipeline particulier). Cela vous permettra d'obtenir rapidement des résultats et d'évaluer l'efficacité de la solution avec un minimum de risques.

3. Choix de la plate-forme et du partenaire :

   Déterminez si une solution cloud ou un déploiement sur site convient à votre entreprise. Considérez les offres commerciales des fournisseurs de solutions d’IA. UNITEC-D GmbH peut vous fournir une assistance-conseil dans la sélection de solutions compatibles et vous aider à adapter les données de notre catalogue électronique pour les intégrer dans votre système.

4. Préparation de l'infrastructure :

   Fournir la puissance de calcul et le stockage de données nécessaires. Mettre en place des mécanismes d'intégration avec les systèmes ERP et SUTO existants.

5. Formation et adaptation du personnel :

   Organiser la formation des ingénieurs, des spécialistes des achats et du personnel de service. Il est important qu’ils comprennent les principes de l’IA et soient capables d’utiliser efficacement le nouveau système. Encouragez les commentaires pour une amélioration continue.

6. Surveillance et amélioration continues :

   Les systèmes d’IA nécessitent une surveillance régulière de leurs performances et de leur précision. Recueillez les commentaires des utilisateurs et utilisez-les pour recycler les modèles, ajouter de nouvelles fonctionnalités et étendre la portée du catalogue de pièces de rechange.

En suivant ces étapes, les entreprises industrielles ukrainiennes peuvent mettre en œuvre efficacement les technologies d'IA pour optimiser les processus de références croisées et augmenter l'efficacité globale du MRO.

Conclusion

L’utilisation de l’intelligence artificielle pour le référencement croisé automatisé des pièces de rechange constitue une étape importante vers la numérisation du MRO industriel. Cette technologie permet aux entreprises ukrainiennes d'améliorer considérablement l'efficacité de la gestion des stocks, de réduire les temps d'arrêt des équipements et de réduire les coûts d'exploitation. Les systèmes d'IA, analysant d'énormes quantités de données techniques, fournissent des recommandations précises et rapides, permettant aux ingénieurs de prendre des décisions éclairées concernant le remplacement des composants.

Malgré certaines limites et la nécessité d’investir dans les données et les infrastructures, le retour économique de la mise en œuvre de solutions d’IA est significatif. UNITEC-D GmbH, en tant que partenaire fiable dans le domaine des composants industriels, est prêt à fournir des pièces de rechange certifiées de haute qualité selon les normes DSTU, EN et ISO, ainsi qu'à aider votre équipe dans la mise en œuvre de technologies MRO avancées.

Pour obtenir des pièces de rechange certifiées de haute qualité et optimiser les processus M&R, consultez le Catalogue électronique UNITEC-D.

Lien

• DSTU GOST 520 :2014 Roulements. Conditions techniques générales.
• EN ISO 281 :2007 (DSTU ISO 281 :2018) Roulements. Capacité de charge nominale dynamique et statique.
• ISO 27001 :2022 Technologies de l'information. Méthodes et moyens pour assurer la sécurité. Systèmes de gestion de la sécurité de l'information. Exigences
• Directive 2006/42/CE relative aux machines (marquage CE).
• Règlement technique sur la sécurité des machines (UkrSEPRO).
• DSTU FR ISO 12100:2016 Sécurité des machines. Principes généraux de conception. Évaluation des risques et atténuation des risques.