Comment les temps d’arrêt ont été réduits et l’efficacité améliorée en seulement 3 mois – sans modifier la ligne de production

Entreprise pharmaceutique internationale présente dans plus de 100 pays, spécialisée dans la fabrication de médicaments en doses unitaires. L’usine concernée par le projet est située en Europe et soumise à des réglementations strictes de l’industrie pharmaceutique.

L’usine faisait face à des arrêts fréquents sur la ligne de conditionnement, causés par la chute de flacons sur le tapis roulant. Le problème concernait 7 types de flacons différents – en verre et en plastique – avec des volumes de 7 à 100 ml. Cette diversité rendait l’utilisation de capteurs physiques traditionnels inefficace, car ils nécessitaient un long calibrage et étaient sujets à des erreurs.

Une contrainte réglementaire supplémentaire compliquait la situation : toute modification de la machine ou du logiciel PLC aurait exigé une revalidation complète de la ligne – un processus coûteux et long dans le secteur pharmaceutique.

L’objectif était de mettre en place une solution qui :

• Détecte les flacons renversés en temps réel
• Ne nécessite aucune modification des machines
• Résiste aux conditions environnementales variables
• Permette un déploiement rapide et une montée en charge facile

L’approche retenue reposait sur le concept de « caméra comme capteur » – une surveillance non intrusive de la production via une seule caméra couplée à un logiciel avancé d’IA et de machine learning. Le processus de déploiement s’est déroulé en plusieurs étapes :

1. Sélection des composants – Choix de la caméra, de l’objectif, de l’unité de traitement, du dispositif de signalisation et du boîtier, en tenant compte des conditions environnementales sur la ligne.
2. Installation du matériel – La caméra a été installée sans aucune modification de la ligne de production ni des systèmes de contrôle.
3. Collecte des données d’entraînement – Durant une période définie, le système a enregistré les données visuelles du processus pour constituer un jeu d’apprentissage.
4. Entraînement du réseau neuronal – Les données ont été nettoyées, préparées, puis utilisées pour entraîner un modèle capable de détecter les flacons renversés et de compter les unités correctement traitées.
5. Tests et calibrage – Le système a été validé à l’aide de jeux de données de test et en conditions de production réelles.
6. Gestion des cas limites – Des algorithmes supplémentaires ont été ajoutés pour gérer les situations complexes (reflets lumineux, positionnements atypiques).
7. Mise en production – Déploiement complet avec surveillance à distance et mises à jour possibles.

Toutes les données étaient centralisées sur des tableaux de bord dédiés, permettant aux responsables de surveiller les performances en temps réel et de réagir rapidement en cas d’anomalie.

• Réduction des arrêts – Les opérateurs reçoivent une alerte instantanée dès qu’un problème est détecté
• Déploiement rapide – Seulement 3 mois entre l’installation et la mise en production
• Taux de détection de 99,89 % des flacons renversés
• Aucune revalidation nécessaire – Solution totalement non invasive, conforme aux réglementations du secteur
• Scalabilité – Déploiement possible sur d’autres lignes et produits sans changer le matériel
• Faibles coûts de maintenance – Pas de calibrage nécessaire, résistant aux conditions changeantes
• Mises à jour et supervision à distance – Évolutivité du système sans interrompre la production