IA

Jour 1 : Fondamentaux et premiers cas d’usage industriels

Module 1 : De la donnée à l’information – Introduction à l’IA et au ML en industrie

• Intelligence artificielle (IA) et Machine Learning (ML) : les notions de base (supervisé vs non supervisé, Deep Learning, etc.).
• Rôle de l’IA dans l’industrie 4.0 et en ingénierie mécanique (gains potentiels en productivité, qualité, maintenance).
• Flux de travail d’un projet ML : de la collecte des données à l’entraînement d’un modèle simple et à l’évaluation des résultats.

Démonstration interactive : à l’aide d’un notebook Python, les participants explorent un petit jeu de données (p. ex. mesures simples de production) et entraînent un premier modèle de régression linéaire prédictif, illustrant concrètement comment « faire parler des données » industrielles pour en tirer des modèles. Algorithmes/techniques mobilisés : régression linéaire simple pour prédiction, notions de classification vs régression, aperçu des arbres de décision et réseaux de neurones (présentation générale sans mathématiques complexes). Répartition : ∼50% théorie / ∼50% démonstration pratique.

Module 2 : Anticiper les pannes – Maintenance prédictive des équipements mécaniques

• Comment le ML permet d’anticiper les défaillances et de prédire la durée de vie restante d’un équipement (réduction des arrêts imprévus).
• Exploiter des données capteurs/IoT (vibrations, température, etc.) pour détecter des signes précurseurs de pannes et améliorer la fiabilité des machines.
• Entraîner un modèle prédictif et interpréter ses résultats pour planifier une maintenance optimale (seuils d’alerte, courbe d’erreur, etc.).

Étude de cas complète : analyse d’un jeu de données capteurs issus d’un parc machines (p. ex. vibrations/ température d’un moteur ou d’une pompe).

Avec Python (Pandas/Scikit-learn), prétraitement de séries temporelles et entraînement d’un modèle qui prédit soit le temps avant panne (RUL) soit la probabilité de défaillance dans un horizon donné (classification).

Module 3 : Diagnostiquer les anomalies – Détection et classification de pannes

• Identifier la nature d’une panne ou d’un défaut grâce au ML (passer de « quelque chose ne va pas » à « quelle est la cause probable ? »).
• Mettre en œuvre des techniques de classification pour du diagnostic de pannes (p. ex. classification du type de défaut à partir de signatures capteurs).
• Introduire l’apprentissage non supervisé pour détecter des anomalies sans exemple préalable et comparer avec l’approche supervisée.

À partir de données de capteurs ou de signaux vibratoires, construction d’un modèle capable de classifier le type de défaut (p. ex. déséquilibrage d’arbre, problème de roulement, défaut électrique moteur. Algorithmes/Techniques : arbres de décision et/ou SVM (supervisé), clustering (k-means) et détection d’anomalies (Isolation Forest, PCA pour réduction de dimension).

Jour 2 : Cas d’usage avancés et mise en œuvre industrielle

Module 4 : Contrôler la qualité – Inspection automatisée et détection de défauts

• Comment le ML peut automatiser le contrôle qualité en production pour détecter des non-conformités.
• Mettre en place un modèle de classification ou de détection d’anomalies pour la décision « bon pour service » / « rejet » et interpréter les résultats (matrice de confusion, taux de faux positifs/négatifs).

Étude de cas qualité : Analyse des résultats (précision, impact sur le taux de rebuts). Algorithmes/Techniques : régression logistique ou Random Forest pour données tabulaires ; évaluation via matrice de confusion (sensibilité/spécificité).

Module 5 : Optimiser la conception et les réglages – ML au service de la performance des systèmes

• Comment le ML peut optimiser des conceptions mécaniques ou des paramètres de processus (rendement, qualité, coûts énergétiques).
• Utiliser des données expérimentales ou de simulation pour construire un modèle prédictif du comportement en fonction des paramètres, puis exploiter ce modèle pour trouver la configuration optimale.
• La notion de jumeau numérique simplifié : utiliser un modèle ML comme proxy d’un système physique ou d’une simulation afin d’explorer rapidement des solutions (optimisation virtuelle).

Atelier d’optimisation : à partir d’un jeu de simulation ou d’essais, entraînement d’un modèle de régression pour prédire la performance en fonction des paramètres de conception/procédé. Algorithmes/Techniques : régression multivariée (linéaire, polynomiale) et grid/random search ; introduction aux arbres de régression et modèles Random Forest/Gradient Boosting ; réduction de dimension (PCA) si beaucoup de paramètres.

Module 6 : De l’essai pilote au déploiement – Méthodologie de projet ML industriel

• Étapes d’un projet ML en contexte industriel, du cadrage au déploiement en production.
• Facteurs clés de succès : qualité/quantité de données, implication des experts métier.
• Pérennisation : maintenance des modèles (réentraînement), suivi des performances dans le temps.
• Aspects éthiques et réglementaires (RGPD, acceptabilité des décisions automatiques, etc.).

Atelier de synthèse en groupes : définition des grandes lignes d’un projet ML appliqué au contexte professionnel. Bonnes pratiques : validation croisée, gestion de versions des données/modèles, etc.).