L’intelligence artificielle est applicable à toutes les étapes de la chaîne de valeur de l’industrie métallurgique. Elle permet de concevoir dans un temps raccourci des alliages toujours plus performants à un coût optimisé, un cycle de vie vertueux et respectant les réglementations en vigueur. C’est ce qu’a mené une équipe de chercheurs de Lehigh University (USA) qui a utilisé des méthodes d’analyse canonique de corrélations, d’algorithme génétique et des résultats expérimentaux de microscopie électronique pour découvrir des nouveaux alliages à forte entropie très prometteurs. Pour aller plus loin dans le développement de nouvelles métallurgies, le Fraunhofer IWS a utilisé le machine learning pour qu’une machine de fabrication additive métallique sous flux d’énergie dirigée recale petit à petit ses paramètre de façon à optimiser la qualité métallurgique des pièces produites.
Plus en aval de la chaîne de valeur, en production, l’IA est également d’une grande aide. Potentiellement capable de reconnaître les signaux avant-coureurs d’une défaillance sur une machine, elle aide à avoir des systèmes robustes de maintenance prédictive. Par exemple, le groupe russe Severstal a introduit un modèle prédictif de défaillance basé sur du machine learning dans son usine Cherepovets Steel Mill. Ce modèle permet d’anticiper la surchauffe de roulements de supports de pignon qui est une des causes principales de défaillance de leur laminoir à chaud.
L’intelligence artificielle, solution magique ?
À la lumière de ces exemples, il est légitime de penser que l’introduction de l’IA dans l’industrie va s’accélérer dans les années à venir. En effet, les systèmes d’acquisition de données sont très nombreux dans les usines. Pour autant, ces données ne sont pas forcément pertinentes pour alimenter un système d’IA. L’enjeu n’est pas tant la quantité de données existantes que l’accessibilité à des données pertinentes. Par exemple, tenter de prédire les caractéristiques métallurgiques d’un alliage dans un four de fusion nécessite d’acquérir des informations sur la nature et la qualité des matières premières enfournées. Tenter de les prédire sur la base d’informations ne concernant que le procédé de fabrication ne donnera rien de pertinent.
Pour compenser cette faiblesse de l’IA, il est possible de la rendre plus prédictive en la couplant avec des modèles physiques lui donnant des informations sur le comportement du système à observer. On parle alors de jumeau hybride. Il s’agit du couplage d’un jumeau numérique, qui est une modélisation simplifiée du système physique en temps réelet d’une intelligence artificielle qui apprend à prédire l’écart entre le résultat de la simulation et la réalité. Ainsi, la tâche de prédiction de l’IA est simplifiée.
L’intelligence artificielle en soutien à l’activité humaine
La capacité de l’intelligence artificielle à traiter très rapidement des quantités de données gigantesques inquiète car elle peut amener à supprimer des tâches répétitives réalisées par des êtres humains. Une utilisation raisonnée de l’IA permet au contraire d’améliorer l’intérêt des postes de travail. À titre d’exemple, la radiographie à rayons X est utilisée en fonderie pour s’assurer que la matière est exempte de défauts pouvant engendrer une défaillance de la pièce mécanique. Aujourd’hui, l’interprétation des images radio est faite par un opérateur certifié. C’est un travail à forte responsabilité pour lequel la baisse d’attention est une source de mauvais diagnostic. En déléguant cette tâche à une IA, le travail de l’opérateur est recentré sur des activités à plus forte valeur ajoutée. Il y a en effet des cas où l’IA ne saura pas poser de diagnostic et où l’expertise humaine sera requise. Un autre exemple est celui d’une équipe de chercheurs du MIT et de l’University of California à Berkeley qui tente de développer une IA capable de lire des milliers de publications scientifiques pour en tirer des « recettes » de fabrication de nouveaux matériaux pour lesquels il n’existe pas de solution connue.
Cependant, il convient de rester vigilant car l’IA peut constituer parfois un danger. Dans une usine où les machines intelligentes interagissent avec l’homme, une personne malveillante pourrait corrompre les systèmes d’IA pour rendre l’usine inopérante, voire mettre sciemment en danger les opérateurs. On se souvient des déboires de l’entreprise norvégienne Norsk Hydro en mars 2019. Leurs systèmes informatiques avaient été infectés par un ransomware.
Au-delà des comportements malveillants que l’on peut craindre, une mise en œuvre naïve de l’IA pourrait, à terme, avoir des répercussions très négatives. Pour réduire ces risques, la pédagogie s’avère primordiale. Respect des données privées, transparence, fiabilité ou encore responsabilité humaine clairement définie, autant de principes à mettre en œuvre pour une IA au service de l’humanité et du bien commun que les entreprises doivent appréhender.
L’IA s’installe de plus en plus dans les usines et cette tendance va encore s’accélérer ces prochaines années. Capable de prédire la performance des matériaux, de reconnaître les signaux d’une éventuelle défaillance d’une machine, ou encore de concevoir des alliages toujours plus performants, tout l’enjeu consiste à fournir à l’IA des données pertinentes. Correctement utilisée, elle est un moyen de rendre les entreprises plus performantes et de réduire la pénibilité des postes de travail. Elle représente également un argument clé pour redorer l’image du secteur avec des technologies émergentes qui intéressent la nouvelle génération et ainsi attirer de nouveaux talents passionnés. L’ambition du gouvernement étant de placer la France parmi les meilleurs dans le domaine capable de rivaliser avec la Chine ou les États-Unis, l’industrie de la métallurgie assistée par l’IA a de beaux jours devant elle.
Paul-Henri Renard, directeur général du Centre Technique des Industries de la Fonderie.
Les avis d’expert sont publiés sous l’entière responsabilité de leurs auteurs et n’engagent en rien la rédaction de L’Usine Nouvelle.
