Comment l’intelligence artificielle et la théorie des jeux peuvent aider à réduire la ferraille dans la fonte des métaux

Comment rapprocher « théorie des jeux » et « moulage des métaux » ?

Intelligence artificielle dans le moulage sous pression Comment l’intelligence artificielle et la théorie des jeux peuvent aider à réduire la ferraille dans la fonte des métaux

De Tobias Gundermann

La question initiale dans le titre de cet article peut sembler un peu étrange à première vue car il est probablement rare que les terminologies « théorie des jeux » et « coulage de métal » soient utilisées ensemble dans une seule phrase. Alors, comment les deux peuvent-ils être réunis pour que l’un serve de référence pour optimiser l’autre ?

Sociétés liées

Comment rapprocher « théorie des jeux » et « moulage des métaux » ?
Comment rapprocher « théorie des jeux » et « moulage des métaux » ?

La réponse à cette question réside dans la science des données, l’apprentissage automatique et le domaine de plus en plus émergent de l’intelligence artificielle explicable (XAI). Si vous êtes curieux de savoir comment cela fonctionne, alors prenez quelques minutes et lisez la suite !

Théorie des jeux – Contribution des joueurs individuels au résultat d’un jeu

Éliminons un peu la poussière et examinons brièvement ce qu’est réellement la « théorie des jeux ».

« La branche des mathématiques concernée par l’analyse des stratégies pour faire face à des situations de compétition où le résultat du choix d’action d’un participant dépend de manière critique des actions des autres participants. » [1]

Eh bien, la définition des dictionnaires d’Oxford ne semble pas beaucoup aider à notre compréhension, alors visualisons-la avec l’exemple suivant :

Considérez que vous avez un match de football avec 11 joueurs dans chaque équipe. Après 90 minutes passionnantes de football de haut niveau, les deux équipes se sont séparées 2:1. Les principes de la théorie des jeux pouvaient désormais être utilisés pour déterminer dans quelle mesure chacun des joueurs avait contribué au résultat final. (En gros, quelle était la valeur des joueurs individuels pour leur équipe.)

Il existe différentes approches pour calculer les contributions des joueurs individuels. L’approche spécifique que nous examinerons dans les lignes suivantes de cet article sont les valeurs de Shapley (inventées par Lloyd Shapley en 1951). Les valeurs Shapley sont utilisées pour calculer la contribution marginale moyenne de chaque joueur individuel – essentiellement la contribution moyenne de chaque joueur dans tous les ordres possibles dans lesquels ils peuvent être amenés dans le match. [2]

Apprentissage automatique en production – Prévision de la qualité dans le moulage d’aluminium

En outre, prenons le cas d’utilisation de la prédiction de la qualité dans le moulage de roues en aluminium avec le processus de moulage sous pression à basse pression. Dans celui-ci, l’aluminium fondu et dégazé est stocké dans le four de maintien d’une machine de coulée à basse pression. Le processus de coulée se déroule en 3 étapes :

a) La pressurisation dans laquelle une pression est appliquée au four de maintien qui fait monter l’aluminium fondu à travers le tube montant dans le moule

b) Remplissage du moule pendant lequel la pression est augmentée pour remplir le moule de manière contrôlée et uniforme

c) La solidification dans laquelle une pression élevée est appliquée pour empêcher le retrait dans la roue coulée.

Le problème rencontré par notre client dans ce cas était les microporosités, les trous de soufflage et le retrait qui entraînent une augmentation des coûts et de la refusion, des émissions excessives et une réduction de l’OEE.

Pour permettre aux opérateurs, aux chefs d’équipe, aux ingénieurs de processus et aux directeurs de fonderie de prendre de manière proactive des mesures correctives afin d’éviter les rebuts, un modèle basé sur l’apprentissage automatique (ML) peut être développé pour prédire la qualité de la coulée pendant le processus LPDC. Ce modèle utilise ensuite les données en temps réel collectées au cours du processus de production (par exemple, les températures, les taux de refroidissement de l’air, les pressions, etc.) pour surveiller en continu le processus de coulée en temps quasi réel.

Le modèle prédictif de qualité aide à détecter les écarts de qualité le plus tôt possible et permet aux ingénieurs d’effectuer des ajustements et d’éliminer les causes profondes des écarts de qualité. Mais que se passe-t-il si les causes profondes et les mesures à prendre sont inconnues ?

Avec la Maintenance Prescriptive, les machines ou les appareils prennent une part active à leur propre maintenance.

Intelligence Artificielle Explicable (XAI) – Détermination des paramètres les plus influents

C’est exactement là que les deux terminologies « théorie des jeux » et « optimisation des processus » se rejoignent et la connexion de celles-ci est l’intelligence artificielle explicable (XAI).

L’intelligence artificielle explicable (XAI) décrit un domaine de recherche pour le développement, l’avancement et l’amélioration de méthodes permettant de rendre les prédictions ou les classifications de modèles basés sur le ML interprétables et/ou fonctionnellement compréhensibles.

Étant donné un modèle basé sur ML qui prédit la qualité du produit en fonction des paramètres de processus collectés, des technologies telles que SHAP (SHapley Additive ExPlanations ; basé sur les Shapley-Values ​​mentionnées ci-dessus) peuvent être utilisées pour déterminer les paramètres de processus les plus influents (acteurs) en ce qui concerne leur effet (contribution) sur la qualité du produit (résultat du match). Ceci est obtenu sous la forme de scores dits d’importance des caractéristiques qui attribuent une valeur à chacun des paramètres d’entrée du modèle en fonction de leur effet sur la sortie du modèle. [4] Une visualisation des valeurs SHAP peut être vue dans l’extrait suivant du logiciel TVARIT Industrial AI (TiA) pour la prédiction de la qualité dans le processus de moulage d’aluminium (veuillez noter que les noms et les valeurs des paramètres concrets ont été modifiés pour des raisons de confidentialité des données) :

Extrait de TiA (TVARIT Industrial AI Software) pour la prédiction de la qualité dans le processus de moulage de l'aluminium ;  Importance de la fonctionnalité.
Extrait de TiA (TVARIT Industrial AI Software) pour la prédiction de la qualité dans le processus de moulage de l’aluminium ; Importance de la fonctionnalité.

(Source : TVARIT GmbH)

Extrait de TiA (TVARIT Industrial AI Software) pour la prédiction de la qualité dans le processus de moulage de l'aluminium ;  Valeurs SHAP.
Extrait de TiA (TVARIT Industrial AI Software) pour la prédiction de la qualité dans le processus de moulage de l’aluminium ; Valeurs SHAP.

(Source : TVARIT GmbH)

Avec l’aide de SHAP-Values ​​sous la forme de scores d’importance des caractéristiques, les ingénieurs de fabrication reçoivent des informations sur les paramètres les plus influents pour atteindre la qualité du produit cible sur la base des données collectées à partir de leurs processus de production.

Recettes dynamiques prescriptives – Recommandations sur les points de consigne de coulée optimaux pour réduire les rebuts

Maintenant, étant donné que les écarts de qualité des coulées sont connus en temps réel et que la théorie des jeux aide à comprendre les causes profondes des erreurs de coulée, la question qui reste est toujours : comment les points de consigne de coulée doivent-ils être ajustés dynamiquement pour éviter les erreurs de coulée ?

Dans ce cas, nous devons aller plus loin que la « théorie des jeux conventionnelle », mais la technologie d’IA moderne fournit également une solution ici : les « recettes dynamiques prescriptives ». Ceux-ci donnent des recommandations dynamiques pour des points de consigne de coulée optimaux.

Les méthodologies utilisées ici sont des méthodes de regroupement avancées qui déterminent comment les divers facteurs d’influence (données telles que les points de consigne, les courbes de pression et de température dans la machine de coulée et les conditions ambiantes dans la fonderie, etc.) jouent ensemble pour créer un bon (ou rejeté) fonderie.

Si vous avez des difficultés à suivre la dernière phrase, ne vous inquiétez pas, décomposons-la étape par étape :

Clustering : « L’analyse en cluster est le nom donné à un ensemble de techniques qui demandent si les données peuvent être regroupées en catégories sur la base de leurs similitudes ou de leurs différences » [4].

Cette fois, la définition d’Andrew M. McIntosh nous donne des indications assez concrètes sur la façon dont cela pourrait fonctionner – mis en pratique de fabrication : le clustering est appliqué aux moulages de groupe par leur similitude. Les métriques utilisées pour mesurer la « similitude » ici sont les facteurs d’influence (données telles que les points de consigne, les valeurs des capteurs, etc.) pour cette coulée particulière (ou ce lot particulier).

L’analyse prescriptive identifie ensuite lequel de ces groupes (appelés « clusters ») a les meilleurs résultats de qualité qui peuvent ensuite être utilisés pour identifier les valeurs optimales pour les facteurs d’influence. Cela peut être vu ci-dessous dans l’« Analyse en composantes principales » (essentiellement une représentation en 2 dimensions des facteurs d’influence à des fins de visualisation). Ici, le groupe vert a été identifié comme le groupe optimal (groupe) de facteurs d’influence, car les moulages (les croix rouges) qui se trouvent dans cette zone ont les meilleurs résultats de qualité. Le dégradé des croix indique le timing (les croix les plus foncées sont les coulées les plus récentes).

Analyse des composants principaux.
Analyse des composants principaux.

(Source : Tvarit GmbH)

D’accord, maintenant que nous sommes assez techniques et que nous comprenons que l’analyse prescriptive définit les valeurs optimales des facteurs d’influence : comment cela peut-il être utilisé pour réduire les rebuts ?

En pratique, la connaissance des valeurs optimales des facteurs d’influence peut être utilisée pour définir comment les points de consigne doivent être ajustés afin que le processus de coulée se situe dans ces groupes optimaux. Ces recommandations sont alors appelées recettes dynamiques prescriptives (illustrées dans les captures d’écran ci-dessous).

Recettes dynamiques normatives.
Recettes dynamiques normatives.

(Source : Tvarit GmbH)

Pour revenir à la question initiale de cet article : l’intelligence artificielle et la théorie des jeux permettent d’optimiser les processus de casting de la manière suivante :

  • Les prédictions de qualité permettent de réagir le plus rapidement possible en détectant la ferraille dès qu’elle est coulée
  • La théorie des jeux aide à déterminer les paramètres de coulée les plus importants qui causent la ferraille
  • Les recettes dynamiques normatives donnent des recommandations sur la façon d’ajuster de manière optimale les points de consigne de coulée pour réduire les rebuts

Sources

[1] Curtis, S. (2013). Le droit des contrats de construction navale (4e éd.). Informa Law de Routledge. Définition de la théorie des jeux. (2018). (Oxford University Press) Extrait en mai 2018, de Oxford Dictionaries : https://en.oxforddictionaries.com/definition/us/game_theory
[2] Shapley, Lloyd S., et Alvin E. Roth, Hrsg. La valeur Shapley : Essais en l’honneur de Lloyd S. Shapley. Cambridge [Cambridgeshire] ; New York : Cambridge University Press, 1988.
[3] Lundberg, Scott M., Gabriel Erion, Hugh Chen, Alex DeGrave, Jordan M. Prutkin, Bala Nair, Ronit Katz, Jonathan Himmelfarb, Nisha Bansal et Su-In Lee. « L’IA explicable pour les arbres : des explications locales à la compréhension globale ». arXiv : 1905.04610 [cs, stat], 11. Mai 2019. http://arxiv.org/abs/1905.04610.
[4] Andrew M. McIntosh, … Stephen M. Lawrie, dans Companion to Psychiatric Studies (Huitième édition), 2010

(Référence : 47915437)