L'intelligence artificielle en tant que telle

Sitech n'a malheureusement pas les réponses à ces questions, mais nous essayons de découvrir la valeur (ajoutée) de l'IA. Ce faisant, nous adoptons une approche pragmatique. L'IA ne peut exister sans les personnes et les entreprises qui la rendent possible. Les personnes et les entreprises doivent alors comprendre ce qu'est l'IA. Sitech souhaite participer à un club de personnes, d'entreprises et d'établissements d'enseignement afin de favoriser la compréhension et la connaissance de l'IA. À cette fin, nous essayons d'impliquer les établissements d'enseignement de notre région, tels que VISTA, Zuyd Hogeschool et l'université de Maastricht, dans la formation de "communautés" et/ou de "laboratoires de terrain" dans le domaine de l'IA. Ces clubs sont nécessaires pour parvenir à une fertilisation croisée. Nous profitons des connaissances des établissements d'enseignement dans le domaine de l'IA et ils découvrent nos besoins et nos défis. Ensemble, nous comblons nos lacunes en matière de connaissances et découvrons la valeur de l'IA. Ce faisant, nous ne recherchons pas des solutions ponctuelles, mais nous voulons développer des méthodologies génériques pour déployer l'IA. Nous voulons la comprendre ensemble pour pouvoir l'appliquer. En collaboration avec les établissements d'enseignement de la région, nous voulons mettre l'IA en pratique. Ensemble, nous voulons être créatifs avec l'IA et ensemble, nous voulons examiner son potentiel de manière critique. En prime de cette collaboration, nous formons nos employés actuels, les étudiants d'aujourd'hui et donc les employés de demain à l'application et à la compréhension de l'IA. 

Cependant, l'IA ne peut se passer de données. Sitech peut fournir des données provenant d'usines chimiques fonctionnant normalement. Cependant, nous pouvons fournir moins de données sur les défaillances, simplement parce que ces données sont moins répandues dans nos ensembles de données. Une IA fiable doit être formée sur des données couvrant un éventail aussi large que possible. Pour reconnaître les anomalies dans les données et les interpréter comme une défaillance particulière, il faut disposer de données sur cette défaillance. Pour ce faire, il est possible de simuler des défaillances. Malheureusement, nous ne pouvons pas le faire dans les usines de Chemelot. Nous allons y remédier en construisant des installations d'essai en collaboration avec l'école supérieure VISTA de Sittard. Les ingénieurs de Sitech et les étudiants de VISTA concevront et construiront ensemble une installation de test. Nous équiperons l'installation de capteurs appropriés. Les étudiants utiliseront l'installation et généreront des données. En collaboration avec les ingénieurs de Sitech, certaines défaillances de l'installation de test seront introduites sur la base des mécanismes de défaillance connus de Sitech. Nous créerons ainsi des ensembles de données intéressants qui serviront de base au développement d'une IA capable non seulement de détecter la défaillance en tant qu'anomalie, mais aussi d'interpréter l'anomalie. Les ensembles de données seront mis à la disposition de nos ingénieurs et des étudiants des collèges et/ou des universités. Une analyse approfondie et la création de modèles descriptifs et peut-être prédictifs sont alors à prévoir.  Nos ingénieurs et les étudiants intéressés y travailleront ensemble.

Les usines de traitement modernes utilisent un vaste réseau de boucles de contrôle pour fonctionner. Ces boucles de contrôle sont conçues pour maintenir une variable du processus (pression, débit, niveau, température, etc.) dans une plage souhaitée afin de produire un produit final de haute qualité. La vanne de régulation est un élément essentiel de cette boucle de régulation. La vanne de contrôle manipule le débit d'un liquide, d'un gaz, de la vapeur, de l'eau ou de composés chimiques afin de maintenir la variable du processus aussi près que possible du point de consigne souhaité. Les vannes de contrôle sont souvent utilisées dans des conditions difficiles telles que des températures élevées, des pressions élevées, des milieux corrosifs et abrasifs. Une vanne mal conçue ou mal entretenue peut conduire à l'usure, au vieillissement et finalement à la défaillance. La défaillance d'une vanne peut entraîner des situations dangereuses, des perturbations du processus ou l'arrêt de l'usine. Lorsqu'une vanne tombe en panne, elle est généralement "silencieuse" et le problème devient soudain et inattendu pour l'opérateur du processus. Pour détecter les problèmes potentiels à un stade précoce, nous voulons surveiller la "santé" des vannes sur la base de données. La surveillance des vannes de contrôle dans les usines est très importante pour garantir la sécurité et éviter les pertes de production.

Les vannes de régulation sont contrôlées par des positionneurs. Outre une fonction de contrôle, ces positionneurs peuvent également fournir des données qui donnent une indication sur l'état de la vanne. Ces données sont des données statistiques (histogrammes), mais aussi des données brutes telles que la pression d'air et la position réelle de la vanne. Les positionneurs disposant de ce type de données sont appelés positionneurs intelligents. Les vannes existantes peuvent être équipées de positionneurs intelligents. Les positionneurs produisent des données sur le comportement de contrôle et la santé de la vanne de contrôle en question. 

Surmonter l'intelligence artificielle peut aider à déterminer, interpréter et peut-être même prédire l'état d'une vanne de contrôle sur la base de données. L'état d'une vanne est suivi par une sorte d'empreinte digitale de ses données. Un changement dans cette empreinte indique un état différent, à condition que le changement soit suffisamment important pour être détecté. Une comparaison de ce changement avec des changements déjà connus et déduits peut aider non seulement à remarquer mais aussi à interpréter le changement d'état. Une tendance dans le changement peut aider à prédire un état. La méthodologie est bien connue, mais le nombre d'applications réussies est encore limité. En tout cas, il est trop limité pour être appliqué à grande échelle dans l'industrie de transformation. in AI solutions

Il existe déjà des solutions commerciales pour déterminer l'état des vannes sur la base des données fournies par les positionneurs ou les boucles de contrôle. Toutefois, ces solutions présentent l'inconvénient majeur d'être des solutions ponctuelles pour un fournisseur spécifique. D'autres fournisseurs peuvent également disposer d'une solution similaire. Cependant, les données des différents fournisseurs ne peuvent pas être fusionnées sans autre forme de procès, car elles sont "coincées" dans le silo de données du fournisseur de la solution. Ces données ne peuvent pas non plus être enrichies par d'autres données de processus, ce qui signifie que les capacités de détection des défaillances des vannes ne peuvent pas être pleinement exploitées. Nous devons éviter la fragmentation des données et les rendre disponibles sans limites pour en exploiter tout le potentiel. En outre, les modèles utilisés dans ces solutions ne sont pas non plus publics, de sorte que la qualité des solutions ne peut pas être améliorée par le déploiement d'autres modèles, même s'ils sont disponibles.

En prenant le contrôle de l'exploration de l'intelligence artificielle et en le faisant avec les entreprises et les institutions éducatives de la région, Sitech vise non seulement à être préparé pour les développements futurs, mais aussi à participer à ces développements.