L’usine 4.0 est une révolution technologique, englobant de nombreuses innovations et créant une nouvelle dynamique de marché.

Dans les usines, les technologies de l’information, les capteurs communicatifs, l’IIoT (Internet industriel des objets), les outils logiciels de simulation, les logiciels de traitement de l’information, les logiciels de gestion et les machines les plus performantes rendent progressivement les usines de plus en plus agiles, efficaces et compétitives.

Elles deviennent de plus en plus compétitives, par exemple, grâce à l’utilisation d’un logiciel MES pour la traçabilité des matériaux en temps réel et la généalogie des produits, à la fois dans l’usine et dans les confins du monde. (En fait, l’industrie 4.0 produit un flux constant d’informations si dense que l’on s’attend souvent à ce qu’elles soient échangées le plus rapidement possible – idéalement en temps réel – à la fois en interne et en externe).

Non seulement elles sont meilleures en termes de sécurité environnementale (réduction des émissions de gaz à effet de serre, réduction et recyclage des déchets, etc.), mais aussi en termes de cybersécurité, par exemple en utilisant le réseau relié au monde extérieur pour contrôler et gérer à distance les installations de production, ou bien via des réseaux virtuels qui contrôlent les objets physiques, permettant aux installations de production d’exécuter des autodiagnostics, etc.

Les enjeux sont importants – technologiquement, bien sûr, mais aussi économiquement et culturellement.

Cette nouvelle façon de « digitaliser » les usines permettra de répondre aux enjeux de la mondialisation et de l’approvisionnement en matières premières et ressources énergétiques, ainsi qu’une meilleure maîtrise de la sécurité des systèmes d’information industriels.

La nouvelle frontière des systèmes de fabrication

Cette Connectivité au sein du processus de fabrication n’est pas nouvelle. Pourtant, les tendances récentes telles que la montée de la quatrième révolution industrielle, l’Industrie 4.0, et la convergence des mondes numérique et physique – y compris les technologies de l’information (IT) et les technologies des opérations ont rendu la transformation de la chaîne d’approvisionnement de plus en plus possible. Le passage des opérations linéaires et séquentielles de la chaîne d’approvisionnement à un système ouvert et interconnecté d’opérations d’approvisionnement – connu sous le nom de réseau d’approvisionnement numérique, pourrait jeter les bases de la concurrence future des entreprises. Cependant, pour réaliser pleinement le réseau d’approvisionnement numérique, les fabricants doivent probablement débloquer plusieurs capacités :

L’intégration horizontale à travers la myriade de systèmes opérationnels qui alimentent l’organisation.
L’intégration verticale grâce à des systèmes de fabrication connectés.
L’intégration holistique de bout en bout à travers toute la chaîne de valeur.

Dans cet article, nous explorerons comment ces capacités s’intègrent pour permettre l’acte de production. Cette intégration est familièrement connue sous le nom d’usine intelligente, et signifie l’opportunité de générer une plus grande valeur à la fois dans les quatre murs de l’usine et à travers le réseau d’approvisionnement.

L’usine intelligente représente un bond en avant d’une automatisation plus traditionnelle à un système entièrement connecté et flexible – un système qui peut utiliser un flux constant de données provenant d’opérations et de systèmes de production connectés pour apprendre et s’adapter aux nouvelles demandes. Une véritable usine intelligente peut intégrer les données des actifs physiques, opérationnels et humains à l’échelle du système pour piloter la fabrication, la maintenance, le suivi des stocks, la numérisation des opérations via le jumeau numérique et d’autres types d’activités sur l’ensemble du réseau de fabrication. Le résultat peut être un système plus efficace et plus agile, moins de temps d’arrêt de la production et une plus grande capacité à prévoir et à s’adapter aux changements dans l’installation ou le réseau plus large, ce qui peut conduire à un meilleur positionnement sur le marché concurrentiel.

Introduction

L’automatisation des tâches est un sujet à la mode dans le domaine de la recherche sur l’interaction homme-technologie sur le lieu de travail. Les usines modernes et la vision de l’Industrie 4.0 conduisent inévitablement à une automatisation accrue et à une diminution du nombre de personnel direct dans les usines. Cependant, la récente enquête européenne sur les compétences et l’emploi (Cedefop, 2018), qui comprend un vaste corpus d’études, met en doute la portée des prédictions en matière de robotisation du marché du travail. La raison principale des prédictions imparfaites est fondée sur le marché, le secteur industriel ou la spécificité technologique des hypothèses, ce qui affecte la formulation de la théorie et par conséquent l’explication et l’interprétation appropriées d’un ensemble de phénomènes. Dans le même temps, l’enquête révèle que la marche du progrès technologique peut creuser les inégalités, par exemple en matière de salaires (Cedefop, 2018). De toute évidence, l’automatisation des emplois et la dépendance des entreprises aux robots sont fortement corrélées (Acemoglu & Restrepo, 2017).

Au cours des dernières décennies, la dépendance des entreprises européennes à l’égard des robots est passée de 0,6 robot pour 1000 travailleurs dans les années 1990 à 2,6 robots pour 1000 travailleurs à la fin des années 2000 (Acemoglu & Restrepo, 2017), où les robots ont principalement remplacé les travailleurs effectuant des tâches manuelles et répétitives plutôt que des tâches critiques, non routinières ou décisionnelles. En conséquence, il y a moins d’opportunités d’apprentissage humain, en particulier pour les travailleurs peu qualifiés, ce qui entraîne une diminution des connaissances tacites sur les processus et les systèmes. Cet effet a été décrit il y a 35 ans comme l’une des « ironies de l’automatisation » (Bainbridge, 1983) et « les récents développements technologiques peuvent nous réserver de nouvelles ironies » (Baxter et al., 2012). Ces développements technologiques récents incluent la robotique, les systèmes d’assistance (intelligents), les possibilités d’applications distribuées de l’Internet des objets (IoT), ainsi que l’intelligence artificielle et l’apprentissage automatique, qui sont quelques-uns des moteurs de l’industrie 4.0. Cependant, dans tout l’engouement suscité par le nouveau potentiel technologique en matière d’automatisation et de numérisation, les capacités humaines sont souvent considérées comme une variable donnée, presque statique. Dans le prolongement de l’approche « humain dans la boucle », cet article présente une méthodologie d’apprentissage mutuel (réciproque) à l’apprentissage humain-machine dans le but d’améliorer les capacités des humains et des machines simultanément afin de « Intelligence collective » (Levy, 1994 ; Glenn, 2013).

Recadrant les risques de l’automatisation comme une opportunité, la question de recherche clé est « Comment construire un cadre intégré de collaboration homme-machine pour l’apprentissage mutuel dans les usines intelligentes ? », Basé sur la définition de l’apprentissage mutuel (également appelé apprentissage réciproque homme-machine). La prospective implique une prise de conscience tournée vers l’avenir afin de permettre aux usines intelligentes d’aujourd’hui de se transformer en usines d’auto-apprentissage centrées sur l’homme. À cette fin, la section 2 traite de l’apprentissage dans les usines intelligentes en tenant compte des terminologies, des défis et des exigences de base tant du point de vue technologique que non technologique. En outre, il aborde le concept d’apprentissage mutuel et introduit des termes connexes tels que « l’homme et la machine en tant qu’apprenant » dans les usines intelligentes. En conséquence, la section 3 présente le concept Autodidacte pour la construction d’une plate-forme d’apprentissage mutuel dans l’usine pilote de l’usine pilote de l’industrie 4.0 de TU Wien. Enfin, la section 4 conclut la discussion et élabore un futur programme de recherche.

2. EXIGENCES ET DÉFIS POUR L’APPRENTISSAGE INTELLIGENT DES USINES

2.1 Usines intelligentes : terminologie et contexte

Les progrès de la robotique collaborative et de la science des données devraient porter l’automatisation des usines à un nouveau niveau (IFR, 2017 ; Bauer et al.2016 ; Monostori et al.2016). Parallèlement à l’utilisation généralisée des technologies IoT dans les installations de fabrication, leur mise en œuvre est largement appelée « usine intelligente » (Zühlke 2008, Kagermann et al. 2013 ; Wagner et al., 2017). La vision de l’Industrie 4.0 prône la réalisation de technologies d’usines intelligentes pour connecter les humains, les machines et les objets intelligents afin de créer des processus et des produits performants (Spath, 2013 ; Liao et al., 2017).

Traditionnellement, l’automatisation et l’industrie 4.0 ont tendance à mettre l’accent sur les opportunités technologiques et à se concentrer moins sur le cadre organisationnel et l’environnement sociotechnique. Afin d’exploiter tout le potentiel de l’Industrie 4.0 et de créer un environnement propice pour tester de nouvelles approches en apprentissage humain-machine, il est nécessaire d’utiliser une approche globale qui prend en compte les interdépendances bien connues des usines, en tant qu’entités sociotechniques avec les interdépendances entre les changements technologiques et organisationnels, en compte. Il est déjà visible que la transformation en ce qui concerne l’intégration des nouvelles technologies aura des effets significatifs sur l’organisation de la fabrication. Le degré d’autonomie croissant des robots intelligents et des systèmes d’assistance pose un défi majeur à l’organisation traditionnelle des usines.

La robotique collaborative et mobile effectuera des tâches manuelles de routine, tandis que les systèmes d’assistance numérique prendront en charge les tâches cognitives de routine et fourniront un soutien dans des situations non routinières. Par conséquent, l’organisation du travail va inévitablement changer et les systèmes autonomes nécessitent de plus en plus un travail humain plus flexible.

Les compétences requises des travailleurs d’usine ainsi que celles des fonctions de support telles que le personnel de maintenance et d’assurance qualité devraient changer considérablement.

2.2 Questions d’apprentissage dans les usines intelligentes

Étant donné que les changements attendus dans le développement des compétences dus à l’industrie 4.0 sont largement discutés, il est nécessaire d’établir des processus pour adapter l’apprentissage dans un environnement d’usine à ces changements, afin de conserver et d’améliorer les courbes d’apprentissage des cols bleus et des cols blancs. En raison de l’automatisation accrue dans les usines intelligentes, les défis de l’apprentissage se développent à différents niveaux. Les obstacles (défis) à l’apprentissage dans les usines intelligentes sont les suivants :

Une plus grande portée : en raison d’une automatisation accrue et de systèmes techniques de plus en plus autonomes, l’effectif moyen par machine diminue. D’où le nombre de processus à maîtriser par les employés restants, qui est en augmentation.
Moins d’opportunités d’apprentissage : en raison du fait que les machines prennent en charge les tâches de routine et que les humains se concentrent sur les tâches non routinières, il existe moins d’opportunités d’apprentissage en ce qui concerne les processus de routine pour les opérateurs humains.
Rôle incertain du travail humain dans les environnements hybrides (homme-machine) : Du fait des tâches collaboratives avec des machines et des algorithmes, des exigences supplémentaires en termes d’apprentissage émergent. En particulier, « l’approche d’apprentissage réciproque » deviendra nécessaire dans les environnements hybrides (homme-machine) dans une usine intelligente. Cette approche utilise l’expérience humaine et les connaissances tacites pour former des ensembles de données de la machine (les machines apprennent des humains) et, d’autre part, utilise un apprentissage basé sur des données qui est guidé par des algorithmes intelligents (les humains apprennent des machines).

Outre les défis mentionnés ci-dessus, l’apprentissage dans une usine intelligente change également sa perspective en ce qui concerne la périodicité différente.

À court terme : le besoin d’optimisation des processus, d’excellence opérationnelle et de résultats rapides stimule généralement l’apprentissage à court terme. Pour apprendre à effectuer une ou plusieurs tâches de travail plus efficacement, suit généralement une courbe d’apprentissage (Zangwill, 1998) et les objectifs d’apprentissage à court terme se traduisent par une accentuation de la courbe d’apprentissage pendant la phase de montée en puissance.

Moyen terme : Avec l’émergence de cadres hybrides d’équipes mixtes homme-machine, il est nécessaire de répartir de manière optimale les tâches afin de garantir une bonne adéquation avec les membres de l’équipe. L’attribution des tâches dépend des capacités individuelles et de l’effort nécessaire pour former chaque membre de l’équipe à une tâche spécifique. De plus, l’attribution des tâches n’est probablement pas statique et évoluera au fil du temps à mesure que le niveau de capacité des travailleurs et des machines évoluera. Par conséquent, il y aura un besoin constant de formation et de recyclage et l’attribution des tâches sera évaluée par rapport à des paramètres pertinents tels que les objectifs économiques et organisationnels, mais aussi en ce qui concerne le développement des compétences et l’apprentissage.
Long terme : l’apprentissage et la compréhension d’un processus de fabrication contribuent généralement aux innovations de processus et de produits. Erreurs, mauvaise gestion et événements imprévus offrent régulièrement de la place pour de petites améliorations ou même des idées nouvelles. De plus, la connaissance tacite des processus, de leurs interconnexions et de leurs éventuels impacts offre un avantage concurrentiel souvent difficile à copier. Par conséquent, le ratio optimal de prise de décision automatisée et humaine est essentiel pour maintenir la capacité d’une organisation à s’améliorer et à s’adapter aux changements imprévus et, dans une certaine mesure, imprévisibles.

2.3 Les machines humaines et (intelligentes) en tant qu’apprenant dans les usines intelligentes

Compte tenu des progrès technologiques dans les usines intelligentes, la division des tâches entre les effectifs humains et les machines est en train de passer de rôles et de tâches distinctes à des rôles et des schémas de tâches hybrides (collaboratifs). Ce dernier divise l’ensemble des tâches en trois groupes, à savoir ;

Les tâches assignées à la main-d’œuvre humaine,
Les tâches assignées aux machines (intelligentes),

Les tâches partagées assignées à la main-d’œuvre humaine et aux machines intelligentes (y compris les robots notamment les robots collaboratifs (cobots), les systèmes d’assistance virtuelle, etc.). (Voir image 1)

La participation aux tâches partagées nécessite les capacités d’apprentissage de la main-d’œuvre humaine et des machines (c’est-à-dire les humains et les machines en tant qu’apprenant) et les combine en un nouveau système de limites dans lequel l’apprentissage mutuel a lieu.

La création du profil numérique du groupe d’apprenants facilite la modélisation, l’estimation et l’évaluation de l’ampleur exacte et de l’importance de l’efficacité de l’apprentissage et des résultats résultant de l’apprentissage mutuel dans les usines intelligentes. En outre, les profils numériques de la main-d’œuvre humaine et des machines offrent des possibilités de collecter des données, de construire des profils d’apprentissage distincts et d’identifier l’apprentissage mutuel d’une manière cohérente, dynamique et réaliste. Un profil numérique comprend généralement toutes les informations de base, c’est-à-dire les informations personnelles ou professionnelles d’une main-d’œuvre humaine ou les spécifications techniques d’une machine. Il contient également des données de performance sur le terrain collectées au moyen de capteurs et de systèmes de surveillance de l’état pour la main-d’œuvre humaine ou la machine cible, ainsi que les commentaires collectés, par exemple via une approche à 360 ° (feedback multi-sources), ou via une enquête par questionnaire client ou utilisateur final. Une telle base de données en croissance continue offre des opportunités pour l’identification et la prédiction des trajectoires d’apprentissage pour les personnels humains et machines au fil du temps.

Le profil numérique de la machine peut être quantifié en fonction de la détermination du degré d’autonomie des différentes fonctions de la machine. Le degré d’autonomie d’une machine spécifie sa capacité technique à s’adapter de manière autonome à des conditions de production en évolution dynamique, sans mettre en péril l’efficience et l’efficacité du processus de production.

Le degré d’autonomie doit être déterminé pour chaque fonction de la machine. En outre, le concept de profil numérique de la machine peut ressembler à la représentation virtuelle, à la surveillance et à la configuration des composants et des fonctions d’une machine de manière dynamique. Par conséquent, le terme Digital Twin est défini comme un profil numérique évolutif d’un système de production. Il établit une interface entre le monde physique et numérique grâce au streaming et à la liaison des données d’état de tous les objets physiques du système de production à leurs modèles virtuels.

À l’aide de méthodes d’analyse de données intelligentes, les acquis d’apprentissage peuvent être enregistrés et les décisions de mise en œuvre correspondantes peuvent être dirigées vers les opérateurs et les systèmes techniques. Dans le concept proposé d’autodidacte, le terme Machine Digital Twin est utilisé pour aborder le profil numérique d’une main-d’œuvre machine.

La définition et les caractéristiques du profil numérique humain reposent sur des paramètres descriptifs constitués de différents déterminants, qui permettent à une main-d’œuvre humaine d’exécuter une tâche dans un système de travail.

Selon (Schlick et al., 2010), ces déterminants comprennent :

Les caractéristiques des constituants humains.
Les caractéristiques de disposition humaine.
Les qualifications humaines et caractéristiques des compétences.
Les caractéristiques d’adaptation humaine.

En utilisant les « Performance Shape Factors 3 » (PSF 3) introduits par (Bubb, 2005), il est possible de construire un profil numérique humain quantifié comme discuté dans (Ansari et al., 2018b).

Les profils numériques de l’homme et de la machine sont les éléments fondamentaux de la réalisation d’un cadre de collaboration homme-machine intégré pour l’apprentissage mutuel dans les usines intelligentes, qui est abordé dans la section 3.

3. AUTODIDACTE – VERS UN APPRENTISSAGE MUTUEL DANS L’INDUSTRIE PILOT FACTORY 4.0 DE TU WIEN

La TU Wien Pilot Factory Industry 4.0 (PFI4.0) est un laboratoire de recherche et une usine de démonstration pour promouvoir la réalisation de technologies d’usines intelligentes – adaptées aux solutions tournées vers l’avenir pour les industries de fabrication.

La collaboration homme-technologie est l’un des principaux problèmes dans lesquels l’accent est mis actuellement sur la réalisation de solutions innovantes pour les interactions humaines et technologiques, y compris la collaboration homme-robot, les systèmes d’assistance numérique, etc. Ces solutions visent à améliorer la productivité et l’efficacité du lieu de travail, et améliorer les conditions de travail et la sécurité. Comme indiqué précédemment, l’apprentissage est la clé de l’innovation. En particulier, l’apprentissage mutuel est essentiel pour développer et améliorer la capacité d’innovation synergique dans le PFI4.0. Par conséquent, le concept d ‘ « autodidacte » envisage un cadre intégré de collaboration homme-machine pour l’apprentissage mutuel dans le PFI4.0.

Du point de vue de la conception, l’autodidactie se compose de quatre couches fonctionnelles, à l’exclusion de la couche usine, constituées de cas d’utilisation représentatifs dans les unités de fabrication et d’assemblage. Ces couches sont introduites dans ce qui suit :

L’infrastructure numérique se compose de la main-d’œuvre humaine et des profils numériques de la machine, appelés respectivement HR Digital Profile et Machine Digital Twin. En outre, il présente des taxonomies de tâches, des ontologies de domaine et des modèles et indicateurs statistiques associés pour estimer les courbes d’apprentissage et mesurer les résultats d’apprentissage.
L’ensemble des profils numériques est sémantiquement lié aux systèmes de production cyber physiques (CPPS) existants pour une acquisition dynamique et un échange de connaissances.
Le modèle d’apprentissage est un modèle de boucle de contrôle qui aide à créer des profils d’apprentissage et des trajectoires pour chaque groupe d’apprenants ainsi qu’à identifier et mesurer les résultats d’apprentissage mutuels. Il comprend un radar de performance d’apprentissage et un moteur de règles pour faciliter le suivi et l’évaluation des résultats d’apprentissage.
Les stratégies d’apprentissage font référence à des stratégies basées sur l’expérience, expérimentales et basées sur les données, améliorées par l’apprentissage automatique et les méthodes d’apprentissage statistique pour les deux groupes d’apprenants, c’est-à-dire les humains ou les cobots dans différents niveaux de compétence et d’autonomie, respectivement. Il traite principalement de diverses stratégies d’apprentissage pour améliorer non seulement l’apprentissage unidirectionnel.

Les objectifs d’apprentissage comportent la fonction cible qui devrait lier la productivité aux résultats d’apprentissage sous certaines contraintes et conditions limites telles que la sécurité, la confidentialité, l’évolutivité, etc. Le résultat est utilisé pour progresser vers les objectifs de l’usine, c’est à dire :

Court terme : optimisation des tâches et des processus
Moyen terme : nouvelle répartition des travaux entre main-d’œuvre humaine et machine
Long terme : innovation dans les produits et services.

La collaboration homme-robot est l’un des cas d’utilisation typiques des usines intelligentes, qui représente certaines caractéristiques de l’apprentissage mutuel, à savoir la participation de deux groupes d’apprenants à l’exécution de tâches, y compris des tâches partagées, et l’acquisition de (nouvelles) connaissances dans un environnement dynamique et évolutif. Dans ce cas, le rôle de l’enseignant et de l’apprenant (c’est-à-dire senior et junior) peut être identifié en fonction des compétences humaines et des déterminants de la performance (par exemple caractéristiques constitutionnelles, disposition, adaptation, qualification et compétence) ainsi que de l’intelligence et de la technique de la machine (robot). fonctions / conditions représentées respectivement par les profils numériques associés.

L’apprentissage mutuel entre la main-d’œuvre humaine (par exemple l’opérateur) et le cobot se produit en accomplissant les quatre étapes d’un questionnement, contrôle et résumé, clarification et prédiction, comme proposé à l’origine par dans le contexte de la réciprocité. enseignement. Les quatre étapes sont les suivantes :

a) Vérifier la contrepartie en ce qui concerne la réussite d’apprentissage (questionnement),
b) Modifier l’exécution de l’activité entre eux (contrôle et synthèse),
c) Transférer expérimentalement la performance d’une activité similaire entre elles (clarification)
d) Permettre à l’autre partie de faire une prédiction pour l’exécution d’une nouvelle tâche et enfin d’exécuter l’exécution de tâche prédite (prédiction)

A cet effet, le modèle de boucle de contrôle d’apprentissage mutuel illustré sur l’image 2 est mis en interaction directe avec les effectifs humains et les cobots. Sur la base d’une répartition des tâches fondamentale et planifiée de manière prospective entre les effectifs humains et les cobots, le succès d’une exécution de tâche correspondante tout au long d’un processus d’apprentissage est mesuré (questionnement) via différents systèmes de capteurs. L’exécution des tâches entre les effectifs humains et les cobots est évolutive et comparable en ce qui concerne la réussite de l’apprentissage (résumé) via différentes logiques de contrôle. Les décisions correspondantes pour une nouvelle répartition des activités entre eux peuvent être prises au moyen de l’analyse des données (clarification). Cela offre des possibilités de basculer dynamiquement entre les effectifs humains et les cobots par rapport à des activités comparables (prédiction). De cette manière, de nouveaux types de logiques d’apprentissage sont identifiés et seront pris en compte pour une meilleure répartition des tâches dans la période de planification à venir.

4. PROGRAMME DE RECHERCHE FUTUR

Naturellement, le concept proposé d’apprentissage mutuel a un double caractère est affecté par les capacités cognitives humaines et l’intelligence de la machine (c’est-à-dire les capacités de calcul cognitif). Par conséquent, la construction d’autodidacte dans diverses usines intelligentes est liée à une recherche théorique et axée sur les applications dans des domaines d’apprentissage spécifiques à l’homme et à la machine. En particulier, les étapes suivantes doivent être prévues :

1) Pour définir des profils d’apprentissage et des trajectoires pour la main-d’œuvre humaine et machine, par ex. dans la Pilot Factor Industry 4.0 de TU Wien, en considérant des cas d’utilisation spécifiques dans trois domaines de la collaboration, de la maintenance et de l’assemblage homme-robot.

2) Définir les spécifications système d’autodidacte pour la modélisation et la mesure de l’apprentissage mutuel, y compris les exigences et les contraintes technologiques et non technologiques.

3) Construire la base de connaissances ontologiques d’autodidacte, qui spécifie la conceptualisation partagée des tâches et des connaissances de domaine associées entre les hommes et les machines.

4) Définir la boucle de contrôle d’autodidacte, consistant en un moteur de règles (ensemble de règles) pour déduire un partage optimal des tâches et mesurer les résultats d’apprentissage par rapport aux indicateurs de performance clés (KPI) utilisés dans la gestion de la production.

Webographie:

https://fr.wikipedia.org/wiki/Industrie_4.0

https://www.researchgate.net/publication/332595272_TU_Wien_Pilot_Factory_Industry_40

https://www.sciencedirect.com/science/article/pii/S2212827115001997

https://www.sciencedirect.com/science/article/pii/S2351978917301403

Pour aller plus loin:

https://www.usine-digitale.fr/usine-du-futur/

https://www.usinenouvelle.com/industrie-4-0/