Intelligence Artificielle
Planification intelligente et Digital Twins – Industrie 4.0
Publiée le juin 13, 2025
Publiée le juin 13, 2025
Dans les ateliers, la planification est souvent réalisée manuellement ou à l’aide de tables de plan de charge. Cette approche ne prend pas en compte la variabilité des opérations (pannes, retards, absences), et elle ne s’adapte pas aux événements en temps réel. La planification intelligente, couplée à des jumeaux numériques, vise à représenter virtuellement l’atelier pour simuler des scénarios, optimiser l’ordonnancement et réagir aux aléas.
Un jumeau numérique est une réplique virtuelle d’un système physique (ligne de production, locomotive, infrastructure). Il recueille les données en temps réel et permet de simuler des opérations, des pannes ou des interventions. L’article de StartUs Insights mentionne la startup Quadrical AI, qui fournit un système de jumeau numérique pour les fermes solaires afin de surveiller la production et guider la maintenance. Transposée au rail, cette technologie peut créer un jumeau de chaque locomotive et de chaque atelier pour tester des scénarios (ex. : que se passe‑t‑il si un moteur tombe en panne ? quelle est l’impact sur le planning ?).
Collecte de données en temps réel : capteurs IoT, systèmes embarqués, informations RH. Les jumeaux numériques agrègent ces données pour refléter l’état du système.
Moteur d’optimisation : des algorithmes de planification (ex. algorithmes génétiques, heuristiques ou solveurs linéaires) génèrent des plannings qui respectent les contraintes (ressources disponibles, dates promises) et optimisent un objectif (temps total, coût, taux d’utilisation des équipements).
Simulation de scénarios : l’utilisateur peut lancer des simulations (« What‑If »). Par exemple : si une locomotive tombe en panne, l’outil propose un nouveau planning et mesure l’impact sur les dates de livraison.
Ajustement en continu : le système actualise le planning lorsque des événements réels surviennent (pannes détectées par la maintenance prédictive, absence d’un technicien, retard de livraison de pièces). L’IA recommande des ajustements en temps réel.
upBus : en plus de ses véhicules hybrides, la startup allemande propose une optimisation des horaires en temps réel utilisant l’IA et l’IoT. Elle combine l’analyse de données provenant de capteurs, caméras et IoT pour prédire les pannes et ajuster les horaires.
4AI Systems : cette entreprise australienne développe HORUS, un système de vision qui détecte et classe les dangers autour des corridors ferroviaires. Les données collectées alimentent un jumeau numérique pour analyser les conditions idéales et anormales et ainsi optimiser les opérations.
AXO Track et Apital : leurs solutions de maintenance prédictive génèrent des données exploitables pour la planification. En détectant les faiblesses des infrastructures ou des trains, elles permettent de planifier les interventions sans perturber le trafic.
RailVision Analytics : cette startup canadienne combine les données de la flotte avec des algorithmes d’IA pour fournir des recommandations sur la conduite (freinage, accélération) et réduire l’usure et les émissions. En ajustant le comportement de conduite, elle prolonge la durée de vie des composants et modifie les besoins en maintenance.
Intégration à la GPAO/GMAO : le jumeau numérique se connecte aux systèmes de production et de maintenance. Lorsqu’une commande client arrive, le moteur calcule le plan de fabrication (ou de maintenance) en tenant compte des ressources humaines (calendriers RH), des outils et des pièces disponibles (via l’OCR et l’optimisation des stocks). La planification APS (Advanced Planning & Scheduling) propose un planning initial.
Synchronisation avec la maintenance prédictive : si le moteur de maintenance prédictive détecte qu’un moteur risque de tomber en panne dans deux jours, l’ordonnancement avance l’intervention et recalcule le plan de charge.
Décision partagée : les managers peuvent accepter, modifier ou rejeter les propositions. Les interactions humaines restent essentielles pour arbitrer entre l’optimisation mathématique et les contraintes qualitatives (contrats clients, priorités stratégiques).
Suivi et amélioration continue : les retours d’expérience (ex. temps réel passé, anomalies imprévues) alimentent le système. Les modèles d’IA sont réentraînés pour améliorer la qualité des prévisions.
Des opérateurs ferroviaires adoptent déjà des solutions de planification intelligente :
DB et ÖBB : l’usage d’outils d’identification de pièces (Partium) combiné à la planification intelligente a permis de réduire drastiquement les temps de recherche et de planification. Les jumeaux numériques sont également testés pour simuler l’impact des pannes sur les plannings.
Industriel anonymisé : une usine de moteurs a intégré un moteur APS relié à un jumeau numérique. Lorsque la maintenance prédictive signale un risque de panne sur une ligne, l’ordonnancement recompute automatiquement les ordres de fabrication et reprogramme les équipes. Résultat : 15 % de productivité supplémentaire et réduction des retards de livraison.
La création d’un jumeau numérique d’atelier permettrait de simuler les flux de locomotives, de planifier les interventions (maintenance et production) et de visualiser l’impact d’une panne ou d’une urgence sur le planning. Combiné à la maintenance prédictive (article 1) et à la reconnaissance de pièces (article 2), il constituerait un système de planification global capable de s’adapter en temps réel aux aléas.