La fabrication de pièces en aluminium optimisée grâce à l’IA
Avec 300 nouvelles demandes par an, un fabricant tel que Constellium Valais réalise une grande variété d’objets en aluminium sous forme de profilés. Le processus d’extrusion de ces derniers, c’est-à-dire le procédé de mise en forme de l’aluminium par pression d’une barre d’aluminium, est très complexe et versatile. Chaque nouvelle demande entraîne d'énormes efforts d'ingénierie, notamment pour définir si on peut fabriquer le profilé désiré et à quel coût, puis pour faire le design de l’outil et de la recette de production. L’une des tâches essentielles de cette analyse est la recherche de profilés similaires à celui demandé par le client dans l’historique de production afin de compléter l'expérience personnelle des spécialistes pour étudier sa manufacturabilité et prédire la pression de la presse pendant l’extrusion.
Le but du projet Innosuisse P3 (pour Press Pressure Prediction), coordonné par le groupe de recherche SPL de la HEI Valais et en partenariat avec Constellium Valais SA, était d'exploiter des technologies d'intelligence artificielle afin d’aider les experts à réaliser cette étude de faisabilité. Ce but a été atteint grâce au développement d'outils performants de recherche de profilés similaires dans l’historique de production ainsi que de prédiction de la pression dans la presse. A l’Idiap, c'est le groupe Perception & Activity Understanding qui a participé à cette collaboration 100% valaisanne avec la HEI et Constellium.
Légende: membres du projet lors de la journée de clôture. De gauche à droite. En haut: Fabrice Balet (Constellium), Raoul Rey (Constellium), Paul Robillard (Constellium), Rémy Siegfried (Idiap), Michael Villamizar (Idiap), Bruce Morère (Constellium), Roland Vogel (Constellium), Alexis Bacha (Constellium). En bas: Jean-Marc Odobez (Idiap), Steve Devènes (HEI). Silvan Zahno (HEI), coordinateur du projet, n'a pu être présent.
Comment un tel outil fonctionne-t-il ?
Afin d’obtenir l’importante quantité de données nécessaire aux méthodes d’intelligence artificielle, Constellium a fourni un effort important pour récupérer l'ensemble des données de production. Celles-ci comprennent notamment plus de 1’200 dessins de profilés déjà fabriqués, ainsi que les données de 730’000 extrusions de ces profilés sous forme de paramètres d’extrusion, tels que la température de chauffe, et de mesures sur la presse, comme la courbe de pression.
Une fois traitées, ces informations ont permis de construire et entraîner deux modèles: un réseau de neurone qui extrait une signature caractéristique de la forme d'un profilé à partir de son image, ce qui permet de trouver rapidement des profilés similaires dans la base de données; et un réseau de neurones conditionnel permettant de prédire la pression lors de l’extrusion pour une vitesse et une température spécifiques. Pour finir, une interface graphique développée par la HEI a été mise en place pour permettre aux ingénieurs et opérateurs d’utiliser facilement les deux modèles développés, conformément à leurs besoins quotidiens.
Qu'en pensent les experts ?
Aujourd’hui en 2023, 18 mois après le début du projet, les partenaires industriels présents chez Constellium Valais déclarent être très satisfaits de ce nouvel outil qu’ils ont pu commencer à tester. Ils arrivent en effet à trouver rapidement des profilés similaires à celui qui est à évaluer. De plus, ce nouvel outil offre aux experts un nouveau moyen d’analyse en leur permettant de simuler la pression tout au long de l’extrusion en quelques secondes. Un article scientifique détaillant les travaux et les résultats produits dans le cadre de ce projet est en cours de soumission.
« Ce nouvel outil est en cours d’adoption chez nos partenaires industriels, et nécessite sans doute encore des améliorations, mais leur satisfaction nous permet de d’ores et déjà de décrire ce projet comme une collaboration fructueuse entre la recherche et l’industrie en Valais » mentionne Jean-Marc Odobez, responsable du groupe de recherche Perception & Activity Understanding. « Nos partenaires chez Constellium ont rapidement trouvé de nouvelles façons d’exploiter et d'améliorer les prédictions des modèles. Ce qui les a intéressés en particulier, c’est l'accessibilité et la rapidité de l’outil final qui vient s’ajouter à leurs outils d’analyse usuels » ajoute Rémy Siegfried, post-doctorant dans l’équipe de Jean-Marc.
Plus d’informations
- Groupe Smart Process Lab de la HEI Valais
- Papier scientifique soumis: Siegfried, M. Villamizar, S. Devènes, R. Rey, A. Bacha, B. Morere, S. Zahno, J.-M. Odobez, Deep learning-based tools leveraging production data to improve manufacturability, currently in review.