Présentation du projet P15 Insight lors de l'atelier inaugural du Réseau IA wallon. Ce projet est réalisé en partenariat entre le Cetic et Prayon, afin de concevoir et développer une plateforme d'analyse de données afin de stabiliser des procédés industriels.

1. RESEAU IA
Le Collectif pour la Wallonie
Du capteur à l’amélioration de procédés
Opportunités du machine learning pour optimiser ses procédés industriels et attaquer de nouveaux marchés
Mathieu Goeminne
mathieu.goeminne@cetic.be

2. RESEAU IA
Le Collectif pour la Wallonie • BeLife [1]: Projet préliminaire
• validant l’intérêt de l’analyse de données pour la
compréhension et la résolution de problèmes de
qualité de production.
• Décision stratégique: développer un service basé sur le
data mining
• En interne: Amélioration des procédés de
production existants de Prayon
• En externe: service commercial complétant l’offre
de Prayon.
• P15 Insight [2,3]: Projet de recherche
• Programme CWALity (Région Walonne)
• Vers une industrialisation de la démarche initiée
dans BeLife
[1] https://bit.ly/2AVuuNr
[2] https://www.cetic.be/P15Insight-3229
[3] https://bit.ly/2QBatRO

3. Car
• Spécialistes des procédés (interne: Prayon [1]) + Spécialiste data translator
(externe: SPIAPS [2]) + Spécialistes data science (externe: Cetic [3])
• Problématiques « métier » difficiles à résoudre
• Ingénierie « métier »
• Développement ad hoc
• Projet de recherche
Mais
• Recherche « industrielle »
• Basée sur des approches algorithmiques existantes
Niveau III.V
[1] http://prayon.be
[2] https://spiaps.be
[3] https://cetic.be

4. RESEAU IA
Le Collectif pour la Wallonie
Bénéfices Ex ante
• qualitatifs :
• désilotage des données
• fiabilisation des procédés
• constitution et conceptions d’outils d’analyse
• réutilisabilité des solutions développées
• quantitatifs :
• stabilisation des procédés
• amélioration de la qualité, du rendement, etc.
• qualité de la prédiction des mesures
• latence du traitement des données

5. Phase 1 : Constitution d’un data lake

6. Phase 2 : Définition de 3 POCs
• Axés sur des problématiques clairement identifiées
• Résultats = outils pour mieux gérer les précédés
• Généralisables dans d’autres implantations
• Validés par le management

7. Phase 3 : Réalisation des POCs
• Développement de l’infrastructure
• Data engineering
• Constitution et alimentation du data lake
• Préparation de vues appropriées à la résolution des problèmes présentés par les POCs.
• Analyse des données
• De courtes itérations
• Montrer, comprendre, affiner, … plus rapidement
• Point hebdomadaire entre analystes, experts procédés, et data translator.
• Phase exploratoire importante!

8. Quels résultats?
• Modèles prédictifs
• Remplacer ou doubler un capteur non fiable ou onéreux (ex: mesures
labo)
• Détecter les relations anormales entre mesures: défaillance capteur,
etc.
• Améliorer le contrôle qualité: arrêts et redémarrages plus rapides.
• Scénarios « what if »
• Root cause analysis et Golden path
• Trouver les conditions opérationnelles menant à un « bon » ou un
« mauvais » produit
• Recommandation d’une gestion favorisant la stabilisation des procédés
• Indiquent les facteurs importants pour la prédiction d’un paramètre
• Vers un pilotage dirigé par les données
• Mise en place d’une politique de suivi des capteurs d’intérêt
• Adaptation des règles de pilotage sur base de leurs impacts sur la
production (ex: changement du paramètre de contrôle-qualité)

9. Quelles mises en œuvre?
• Préparation des données
• Issues du datalake
• Transformées sur base des connaissances procédé et des phases
exploratoires
• Résultat: des données organisées de manière approprié
• Machine learning pour créer des modèles descriptifs et prédictifs
• De la régression linéaire aux réseaux neuronaux
• Procédés complexes: intérêt des modèles complexes
• Grande variabilité de fonctionnement: expertise procédé
indispensable pour tirer de l’information pertinente des données
• Exploitation des modèles
• Validation par les experts procédé, sur la forme et sur le fond
• Intégration dans le DCS si souhaité et si modèles suffisamment
simples
• Dashboards ad hoc

10. RESEAU IA
Le Collectif pour la Wallonie
Bénéfices Ex post
• Datalake intégration des sources de données
• Environnement d’analyse et de machine learning
• Modèles et approches pour comprendre, et améliorer et
stabiliser les processus existants
• RCA, soft sensors, détection d’anomalies, etc.
• Exploitation sous une forme acceptable: intégration dans le
DCS et/ou dans des dashboards.
• Politique de pilotage dirigée par les donnée, complémentaire de
l’existante.
• Nouveaux atouts pour les ingénieurs et les opérateurs… et pour
Prayon
• De nouveaux outils
• Un renforcement de leur expertises
• Un nouveau service commercialisable

11. RESEAU IA
Le Collectif pour la Wallonie
En bref
• Projet de recherche CWALity, en cours de
réalisation
• ~ 4 ETP
• Outils variés, candidats en cours de
sélection, y compris Azure, PostgreSQL,
Kafka, Anaconda, JMP, SAS, …
• Durée: 2 ans