Définition plus rapide de trajectoires d’outil

Par le passé, les fonctionnalités d’automatisation fournies par les logiciels de fabrication assistée par ordinateur (FAO) se sont appuyées sur des règles (RBA). Développé pour relever et appliquer les connaissances humaines en permettant au logiciel FAO de prendre des décisions de programmation sans intervention humaine, la méthode RBA utilise des instructions pour les scénarios de programmation spécifiés par les fabricants. Bien qu’elle ait aidé les fabricants à appliquer les meilleures pratiques, la RBA est également un outil d’automatisation intrinsèquement rigide qu’il est difficile pour les entreprises de mettre en œuvre et de maintenir en interne, en particulier face à la complexité croissante des machines-outils, à l’émergence de nouveaux matériaux et à l’évolution des besoins.

Pour aider les fabricants à appliquer les connaissances institutionnelles plus rapidement, plus facilement et plus en profondeur, Hexagon a franchi une nouvelle étape dans l’évolution de l’automatisation de la programmation FAO en permettant l’utilisation de l’intelligence artificielle (IA) pour la planification de processus assistée par ordinateur. Le système ProPlanAI d’Hexagon offre une nouvelle technologie d’automatisation basée sur Nexus, l’outil de collaboration cloud d’Hexagon.

La préservation des connaissances était partie intégrante du développement de la RBA, qui peut appliquer des règles de programmation basées sur le type de matériau, la finition de surface, les caractéristiques d’élément et d’autres facteurs. En plus d’être chronophage et laborieuse à mettre en œuvre, cette approche entrave l’utilisation cohérente de l’automatisation en cas de changements, même infimes, de scénarios de fabrication. Les nouveaux outils d’apprentissage automatique disponibles pour l’automatisation de la programmation permettent d’appliquer plus facilement les connaissances des employés qui partent à la retraite ou quittent l’unité de fabrication.

Au lieu d’appliquer des instructions composées d’énoncés conditionnels, ProPlanAI utilise les programmes FAO existants comme éléments constitutifs pour des processus idéaux. Pour créer une règle RBA, un utilisateur peut, par exemple, spécifier l’utilisation d’un processus de perçage spécifique si un trou a un diamètre d’un pouce et une profondeur d’un pouce (env. 2,5 cm) Et définir l’application d’un autre processus si le diamètre est d’un demi-pouce (env. 1,25 cm) et la profondeur de deux pouces (env. 5 cm). Dans les deux cas, un utilisateur ou un fournisseur de FAO sollicité par lui est en général responsable de l’établissement de ces règles très spécifiques.

Grâce à l’apprentissage automatique, les fabricants peuvent utiliser les données de programmation existantes collectées à partir de programmes FAO antérieurs et validés pour appliquer les connaissances issues de tâches passées au lieu de s’appuyer sur des règles tellement spécifiques qu’elles ne couvrent sans doute qu’un nombre restreint de scénarios. ProPlanAI peut apprendre des pratiques institutionnelles à partir d’un petit nombre de tâches ou de centaines ou milliers de scénarios passés et peut identifier presque instantanément une méthode de fabrication validée qui correspond parfaitement à la tâche actuelle.

Exploiter les données

La capacité à utiliser toutes les informations de programmation passées est peut-être le principal avantage de ProPlanAI, qui sélectionne automatiquement des stratégies reflétant les connaissances et les pratiques institutionnelles d’une entreprise industrielle. Si les centres qui fabriquent à plusieurs reprises en grande série la même gamme de pièces peuvent exploiter plus facilement la RBA, les ateliers qui fabriquent de petits lots ne perçoivent pas l’intérêt d’une automatisation qui ne peut pas être utilisée de manière pertinente. Les fabricants de petits et gros volumes profitent de l’automatisation de la programmation basée sur l’IA, car elle s’appuie sur l’accumulation de données qu’ils produisent déjà et nécessite très peu de travail en amont de l’intégration.

D’un simple clic, la technologie parcourt une multitude de processus d’usinage passés pour identifier le meilleur pour tout élément usinable. Par exemple, si une entreprise a des méthodes préférées pour l’usinage de poches ouvertes et fermées, l’algorithme d’apprentissage automatique identifie des modèles sur des centaines de points de données et suggère automatiquement la méthode de production préférée. Si une entreprise programme un élément pour la première fois, ProPlanAI peut identifier les éléments programmés précédemment qui correspondent le mieux à la tâche actuelle. L’utilisateur peut ensuite mettre à jour le processus et ProPlanAI enregistrera les nouvelles informations.

ProPlanAI peut former de façon répétée ses modèles d’apprentissage automatique en quelques minutes en recherchant des similitudes et des différences dans un grand volume de points-données. Prenons l’exemple suivant : un élément usinable nécessite deux ou trois opérations d’usinage, une opération est définie par 50 ou 60 paramètres et il existe 30 instances de cet élément dans des projets précédents. ProPlanAI peut analyser et regrouper toutes les informations sur les éléments et les opérations pour créer des modèles avec des ensembles validés de paramètres opérationnels qui peuvent être utilisés la prochaine fois que l’élément doit être programmé.

Évolution de la FAO

Les fabricants qui ont du mal à pourvoir des postes qualifiés tirent profit d’une meilleure exploitation des données et des outils aidant les programmeurs CN (commande numérique) moins expérimentés à maîtriser des tâches complexes. Comme les fabricants utilisent leur propre ensemble de données pour réaliser des programmes, les prévisions reflètent automatiquement les connaissances et l’expérience de leur entreprise ainsi que les pièces produites et les machines-outils utilisées.

Les programmeurs CN, qui peuvent immédiatement bénéficier de l’automatisation fournie par l’IA, profiteront aussi d’un développement continu qui les aidera en fin de compte à accomplir d’autres tâches plus facilement. En plus de rationaliser la programmation des pièces, la technologie pourrait aider les entreprises à identifier les pratiques standard latentes, à obtenir des notifications sur les écarts par rapport aux normes de programmation et à mieux utiliser les informations de fabrication des produits (PMI) pour une programmation CN encore plus automatisée.

Alors que les développeurs de logiciels FAO ont fourni au fil des années des outils d’automatisation qui favorisent la préservation et l’application de connaissances institutionnelles, la rigidité de l’automatisation traditionnelle entrave la flexibilité des fabricants dans un secteur en constante évolution. Face à la pénurie de personnel qualifié et à la complexité croissante des pièces et des machines, l’IA augmente la flexibilité, la cohérence et l’efficacité. En capturant et en générant automatiquement des solutions qui correspondent aux préférences et aux capacités de l’entreprise, l’automatisation de la programmation basée sur l’IA permet de gagner du temps, d’économiser des ressources telles que les machines-outils et les outils de coupe et d’obtenir de meilleurs résultats.