Automatisation de la reconnaissance des formes par machine learning – Optimisation des coûts de production dans une usine à Toronto

Dans une usine située à Toronto, des centaines de pièces métalliques – allant de formes simples à des géométries plus complexes – étaient découpées chaque jour. La production reposait sur deux machines : une moderne, entièrement automatisée mais coûteuse à exploiter, et une plus ancienne – toujours fonctionnelle, mais nécessitant un réglage manuel des paramètres.

D’un point de vue économique, il était bien plus rentable d’utiliser l’ancienne machine – le coût de fabrication d’une pièce était deux fois moins élevé. Le problème ? Chaque changement de forme exigeait une reconfiguration manuelle. Les opérateurs passaient des heures à ajuster les paramètres de découpe à partir des fichiers DXF. Chaque erreur entraînait une perte de matière et de temps.

Pour réduire réellement les coûts, l’entreprise avait besoin d’une solution capable d’automatiser ce processus – afin que la machine la plus économique puisse fonctionner avec la même précision et rapidité que son équivalent moderne.

Nous avons conçu un système basé sur le machine learning capable d’analyser les fichiers DXF et d’identifier automatiquement la forme à découper.

Le système :

• reconnaît la forme,
• vérifie la validité de la géométrie,
• génère les paramètres de découpe appropriés.

Ainsi, l’opérateur n’a plus besoin d’analyser chaque dessin ni de saisir les données manuellement. Il lui suffit de sélectionner le fichier – l’algorithme s’occupe du reste.

Nous avons d’abord développé un MVP fonctionnant avec 500 fichiers exemples. L’objectif maintenant est de pouvoir traiter jusqu’à 35 000 variantes différentes. Et le plus important ? Le système fonctionne sur la machine ancienne – celle dont le coût de découpe par pièce est de 0,5 cent, contre 1 cent sur l’équipement moderne.

Grâce à l’automatisation, une grande partie de la production a pu être transférée vers la machine la plus économique – sans risque d’erreurs et sans besoin de la présence constante d’opérateurs expérimentés.

• La production a été accélérée.
• Les risques d’erreurs ont été réduits.
• Les opérateurs ne perdent plus de temps sur les réglages et peuvent se concentrer sur leur vrai travail.
• Les coûts de production ont diminué.

Analyse des données et des processus
Nous avons cartographié l’ensemble du processus – depuis le fichier DXF jusqu’aux réglages de la machine. Cela nous a permis d’identifier les points de perte et de déterminer les étapes pouvant être automatisées.

Un modèle initial à fort potentiel
Le modèle a d’abord été conçu pour reconnaître 500 formes. Ce nombre a suffi à prouver son efficacité. Les étapes suivantes visent à étendre le système à l’ensemble de la base – jusqu’à 35 000 fichiers uniques.

Intégration sans remplacement d’équipement
Le système a été adapté à la machine existante, plus ancienne – sans qu’il soit nécessaire d’investir dans un nouveau parc de machines.

Tests en conditions de production
Le système a été testé directement sur la ligne de production – avec des fichiers réels et dans le rythme de travail réel de l’usine.

Documentation et développement
Le client a reçu une documentation complète ainsi qu’un cadre pour faire évoluer le modèle de manière autonome.