Espace, Austral et Rafale défilent sur la ligne d’assemblage de Renault à Palencia, en Espagne. Ici, les voitures sont scrutées par des caméras en guise de contrôle qualité. Des technologies d’IA mises au point en Espagne, sur le site de Palencia ou de Valladolid situé à 50 kilomètres, puis proposées à l’ensemble des usines du groupe. Le constructeur utilise depuis plusieurs années des technologies de vision par ordinateur dans ses systèmes d’aide à la conduite (ADAS) pour détecter des panneaux de signalisation et autres informations. Ce sont les mêmes types d’algorithmes qui sont aujourd’hui utilisés pour détecter des anomalies lors de l’assemblage. Le développement de ces technologies s’appuie sur ce que Renault appelle son métavers industriel.
Un système de collecte des données robuste
«En 2017 Renault a entamé sa transformation numérique sans contribution majeure d’un grand cabinet de conseil», souligne Thierry Charvet, responsable industriel de Renault. Le constructeur a progressivement mis en place un système de collecte et d’analyse des données standardisé. Thierry Charvet évoque une «nouvelle organisation n’ayant pas nécessité de financement massif» puisque le système d’information de Renault était centralisé.
Le constructeur a connecté un maximum d’équipements dans ses usines que ce soit des robots, des pompes, des machines de remplissage, en «cassant la boîte noire» des fournisseurs, comme le souligne Eric Marchiol, directeur métavers industrie et qualité. Pour les machines les plus anciennes, Renault a conçu une boxe IoT pour les connecter. Une fois collectées les données sont standardisées sur le même modèle afin d’être analysées ensemble.
A ce jour, il reste l’usine du Chennai, en Inde, à connecter à ce que le constructeur appelle son «métavers industriel» car l’usine fonctionne avec le système informatique de Nissan donc cela prend plus de temps. Ce métavers industriel permet de voir en temps réel ce qui se passe sur un site, remonter le temps pour comprendre ce qui s’est passé et simuler pour anticiper des actions. Désormais, le responsable industriel Thierry Charvet peut donc suivre en temps réel toutes les usines sans y être. Sur son interface s’affichent cinq indicateurs : volume de production, nombre de voiture en réparation, consommation énergétique, nombre de voitures fabriquées sur les trois derniers mois avec un problème, les problèmes de sécurité.
Inciter aux initiatives internes
Le choix été fait de «développer progressivement des solutions en interne en s’appuyant sur une boîte à outils», selon François Lavernos, responsable des systèmes d’information industrie et qualité. Par exemple, les équipes en Espagne ont mis au point une application Plant Connect pour aider à piloter l’usine et les trois millions de données générées par minute. Après les avoir collectées et structurées, il faut parvenir à visualiser cette multitude d’informations. C’est ici que l’application Plant Connect entre en jeu. C’est un outil de visualisation et d’interprétation des données sur toute la chaîne de valeur : depuis l’expédition des pièces par les fournisseurs jusqu’à la livraison du véhicule au client en passant par sa fabrication.
Renault - MAS photogenic L'application Plant Connect s'affiche sur de grands écrans dans une salle à proximité des lignes de production. Crédit : MAS photogenic
Ces données s’affichent sur un écran géant et neuf plus petits écrans. Qualité, coûts, délais, consommation d'énergie, sécurité… Sont les critères suivis sur l’ensemble de la chaîne de valeur. Lorsqu’un problème est détecté, l’algorithme identifie les personnes pouvant y remédier et leurs envoie directement un message. S’il y a plusieurs problèmes, ils sont priorisés par ordre d’importance. Installé sur le site de Palencia, l’application va progressivement être déployée sur tous les autres sites du groupe.
L'IA assure le contrôle qualité
Un important travail a aussi été mené pour améliorer le contrôle qualité dans l’usine. Les 555 véhicules produits tous les jours à Palencia passent par 25 stations de contrôle réalisant près de 1000 vérifications grâce à des solutions d’IA. Une fois sorties de l’atelier peinture, les voitures passent sous un premier tunnel illuminé de quelques néons : 4 caméras réalisent 20 contrôles. Le système reconnaît les pièces et les modèles de véhicule, vérifie des soudures et des branchements de câbles ou encore détecte les broches tordues sur les connecteurs de batterie avec une précision de 0,6 millimètre. Chaque anomalie s’affiche sur un écran visible des ouvriers afin d’être corrigée.
Léna Corot De grands écrans affichent les résultats du contrôle qualité aux opérateurs. Crédit : Léna Corot
Puis, le tunnel «gap and flush» contrôle les jeux et l’affleurement grâce à une centaine de photos prises avec 50 caméras. Ce système d’inspection géométrique détecte par exemple les écarts entre deux portières. Celui-ci est mis en évidence sur l’écran visible pour les quatre opérateurs positionnés tout autour du véhicule qui peuvent corriger l’affleurement en quelques coups de marteau de carrosserie.
Léna Corot En quelques coups de marteau de carrosserie, l'opérateur corrige l'affleurement. Crédit : Léna Corot
Enfin, les voitures passent par un dernier tunnel éclairé par de nombreux néons. A son début, les portières des voitures sont grandes ouvertes : 29 caméras prennent 130 images haute résolution. Quand un problème est détecté en temps réel par les algorithmes d’apprentissage profond, celui-ci s’affiche sur l’écran des opérateurs pour qu’ils puissent le rectifier. Puis, les portières sont refermées et la voiture poursuit son chemin jusqu’au client final. L'objectif ici est de renforcer la qualité des véhicules livrés et d'améliorer la satisfaction client.
