Honeywell a déployé Honeywell Plant AI chez Dangote, un grand groupe cimentier et pétrolier, en utilisant les logiciels de Nvidia pour repérer tôt les problèmes des machines et éviter ainsi aux usines des arrêts coûteux.
Points clés
Honeywell a lancé Forge Plant Cognition avec Dangote, en utilisant l’IA physique de Nvidia et l’infrastructure de Dell pour modéliser les équipements et réduire les temps d’arrêt dans de grandes usines industrielles
Dans ce déploiement, le framework PhysicsNemo de Nvidia sert à créer, entraîner et affiner des modèles d’IA physique à grande échelle
Le produit fait partie du portefeuille de logiciels industriels et d’automatisation de Honeywell : il s’agit donc d’un déploiement pour les opérations d’usine, et non d’un simple exercice de communication autour de l’IA
Le système a été développé avec Dangote et offre un véritable environnement opérationnel plutôt qu’une démonstration en laboratoire, même si les indicateurs opérationnels n’ont pas encore été publiés
L’entreprise a annoncé le lancement dans un communiqué, qui indique que le framework PhysicsNemo de Nvidia est utilisé pour créer, entraîner et affiner à grande échelle des modèles d’IA physique.
Le produit fait partie du portefeuille de logiciels d’automatisation et industriels de l’entreprise. Il s’agit donc d’un déploiement destiné aux opérations d’usine, et non d’un simple exercice de communication autour de l’IA.
Plant AI de Honeywell passe à la phase opérationnelle
La promesse fondamentale est simple. Au lieu de traiter une raffinerie ou une ligne de production de ciment comme une boîte noire, le logiciel Plant AI de Honeywell crée un modèle du comportement attendu des équipements et compare les données en temps réel à cette référence.
C’est important, car les défaillances industrielles coûtent cher avant même de devenir catastrophiques.
Une pompe, un four ou un compresseur présente généralement des signes de dérive avant de tomber en panne. Si un logiciel détecte cette dérive à temps, les opérateurs peuvent effectuer les réparations selon le calendrier prévu, au lieu de réagir à une interruption qui stoppe la production.
Le système a été développé avec Dangote, le grand groupe industriel, ce qui donne au lancement un véritable environnement opérationnel plutôt qu’une démonstration en laboratoire. Cela ne prouve pas encore une adoption à grande échelle, mais montre que le produit vise les sites industriels lourds, où les temps d’arrêt ont un coût financier évident.
À lire également : Reply obtient le badge Physical AI de Nvidia, permettant aux usines de tester des robots avant de les acheter
Des alertes aux modèles fondés sur la physique
Les anciens systèmes de surveillance industrielle se contentaient principalement de surveiller des seuils : si la chaleur, la pression ou les vibrations dépassaient une limite, ils déclenchaient une alerte.
Plant AI va plus loin en cherchant à modéliser le comportement attendu de la machine dans des conditions changeantes.
PhysicsNemo de Nvidia permet aux ingénieurs de combiner l’apprentissage automatique avec des équations décrivant des systèmes réels, comme les flux, la pression ou le transfert thermique. Le communiqué indique que ce framework sert à créer et à affiner les modèles tenant compte des lois physiques de Plant AI de Honeywell dans le cadre de ce déploiement. Dans une usine Dangote, cela peut aider un modèle à estimer le comportement attendu d’un compresseur ou d’une ligne de production, même lorsque les exemples directs de défaillance sont limités.
Cette approche gagne du terrain, car les sites industriels génèrent constamment des données de capteurs, mais ne connaissent que rarement des défaillances majeures.
Cette rareté complique l’entraînement fondé uniquement sur des statistiques.
Comment l’IA fondée sur la physique s’intègre dans une usine
Plant AI dans Forge Plant Cognition se distingue d’un chatbot, car il ne vise pas le langage, mais le comportement des équipements. En pratique, la plateforme combine les données des capteurs avec des règles d’ingénierie afin que les modèles détectent plus tôt les dérives, offrant ainsi à l’entreprise une autre solution lorsque les jeux de données fiables sur les défaillances sont rares.
Il faudra ensuite voir si l’entreprise publiera des chiffres de performance, comme une baisse des temps d’arrêt, des cycles de maintenance plus courts ou des économies d’énergie.
Sans indicateurs opérationnels, le lancement est crédible, mais reste incomplet. ÉTIQUETTE_SOURCE PRINCIPALE
À lire ensuite : GitHub met à la disposition de tous les utilisateurs de Copilot un outil d’OpenAI qui résout davantage de problèmes de code