Du contrôle manuel à l’automatisation
par Bas Versluis, directeur commercial, KSE, Pays-Bas
Depuis plus de cinquante ans, le dosage dans l’industrie des aliments pour animaux repose sur une combinaison de précision mécanique et d’expertise des opérateurs. Ce modèle est aujourd’hui sous pression. Les listes d’ingrédients ne cessent de s’allonger, les inclusions deviennent plus petites et plus variables, et les attentes en matière de qualité et de traçabilité augmentent. Parallèlement, il devient de plus en plus difficile de trouver des opérateurs expérimentés.
L’intelligence artificielle (IA) offre un moyen de relever ces défis directement dans le processus. L’IA peut être utilisée en interne pour des tâches telles que l’analyse de données, les outils d’assistance et le développement de logiciels, mais l’impact réel pour les clients provient des algorithmes de contrôle pilotés par l’IA intégrés dans les équipements de dosage et les systèmes de contrôle d’usine. Ces algorithmes pilotent directement les performances de dosage et de pesée en temps réel.
Cet article explique comment l’IA est appliquée dans les machines et logiciels de KSE, la transition du contrôle traditionnel auto-apprenant vers une IA entièrement autonome, et ce que cela signifie pour la performance et les opérations dans les usines d’aliments composés, d’aliments pour poissons, d’aliments pour animaux de compagnie et de prémélanges.
Du contrôle basé sur des règles à l’auto-apprentissage
Le contrôle conventionnel du dosage repose sur des paramètres fixes : vitesses cibles, tolérances, point de coupure et facteur de correction. Ces paramètres sont configurés par des ingénieurs de process puis ajustés au fil du temps par des opérateurs expérimentés. Cette approche fonctionne, mais suppose des conditions relativement stables et un haut niveau de savoir-faire. En pratique, les usines d’aliments pur animaux sont confrontées à :
- Des variations dans le comportement des ingrédients (masse volumique, fluidité, humidité)
- des conditions environnementales changeantes (température, humidité, poussière)
- Des changements mécaniques au fil du temps (usure, friction, alignement)
- Des changements fréquents de recettes et des séries courtes
Pour faire face à cette variabilité, l’entreprise a introduit il y a des années des algorithmes auto-apprenants dans ses machines. Ces algorithmes ajustaient les paramètres en fonction des données de performance historiques. Par exemple, si une balance dépassait systématiquement le poids cible, le système de contrôle ajustait progressivement le moment de coupure ou le comportement de dosage fin pour réduire ce dépassement.
Cela réduisait les réglages manuels et améliorait les performances dans des conditions changeantes. Cependant, ces systèmes nécessitaient toujours une expertise pour être configurés et maintenus. Les opérateurs ou ingénieurs de process devaient comprendre les taux d’apprentissage, les limites et les conditions de réinitialisation. Le système assistait l’opérateur, mais ne remplaçait pas l’optimisation humaine continue.
Contrôle par IA entièrement autonome
Depuis 2025, l’entreprise a introduit des algorithmes basés sur l’IA qui sont entièrement autonomes. Au lieu de demander aux opérateurs comment le système doit apprendre, l’IA le détermine elle-même, dans les limites définies par l’usine. Les principales caractéristiques de ce contrôle basé sur l’IA sont :
- Pas de paramètres de réglage manuel : l’IA elle-même n’est pas configurable par les opérateurs. Il n’y a aucun paramètre d’apprentissage à ajuster ou à maintenir.
- Adaptation autonome : le système observe en continu les performances – temps de dosage, poids atteints, dépassements, cycles de correction – et ajuste le comportement de contrôle sans intervention humaine.
- Applicable aux équipements neufs et existants : la couche IA peut être intégrée dans de nouvelles installations et adaptée sur des lignes de dosage et de pesée existantes, à condition que les signaux nécessaires soient disponibles.
L’IA se concentre sur deux indicateurs clés :
- Temps de dosage : les améliorations typiques varient de 30 à 50 %, avec un minimum d’environ 20 %, selon le procédé et les ingrédients.
- Précision : des améliorations de précision d’environ 25 % sont obtenues grâce à l’optimisation continue du dosage grossier et fin, des moments de coupure et des temps de stabilisation. Ces gains sont réalisés sans longues périodes de démarrage. Le système commence à optimiser dès son activation et continue de s’adapter à mesure que les conditions évoluent.
Vue technique de haut niveau
Sans divulguer les détails de mise en œuvre, l’IA peut être décrite comme un système de contrôle adaptatif axé sur la performance, intégrant des éléments d’apprentissage automatique. Elle utilise des signaux de poids en temps réel pour suivre la vitesse d’approche, le dépassement et la stabilité, capture le comportement d’écoulement des ingrédients lors du dosage grossier et fin, et apprend à partir des données historiques de lots pour affiner les décisions de contrôle.
Le modèle s’adapte en continu, chaque cycle de dosage apportant de nouvelles données et des améliorations appliquées immédiatement, évitant ainsi toute phase d’apprentissage séparée. Il répond aussi bien aux changements progressif, tels que l’usure des équipements ou la dérive des matériaux, qu’aux changements soudains, comme de nouveaux lots de matières premières, qu’aux changements soudains, comme de nouveaux lots de matières premières, tout en opérant strictement dans les limites de procédé définies par le système de contrôle de niveau supérieur de l’usine.
Intégration dans l’architecture de contrôle
La valeur de l’IA dans le dosage dépend fortement de la manière dont elle est intégrée à la structure de contrôle de l’usine. Dans les installations typiques, elle est intégrée de la manière suivante :
- IA sur un serveur séparé à côté de l’automate programmable : l’IA fonctionne sur un serveur dédié qui opère en parallèle de l’automate de la machine. Ce serveur est isolé du monde extérieur, garantissant que la logique de l’IA est protégée contre toute interférence externe et tout accès non autorisé.
- Intégration optionnelle dans le SCADA : la même fonctionnalité peut être hébergée dans un environnement SCADA, pour une interaction plus étroite avec le contrôle de supervision et la visualisation existante.
- Paramètres de procédé issus du MES/SCADA : l’IA ne décide pas des cibles ou des tolérances. Les tailles de lots, points de consigne, tolérances autorisées, contraintes de cycle et autres limites de procédé sont fournis par le MES/SCADA. La seule tâche de l’algorithme est d’atteindre la meilleure vitesse et précision possible dans ces limites.
- Séparation de la logique de sécurité : les fonctions de sécurité telles que les arrêts d’urgence, les verrouillages et la logique de sécurité de l’automate restent entièrement séparées. L’IA ne remplace ni ne modifie les couches de sécurité; elle fonctionne à l’intérieur du périmètre défini par la conception sécurité et qualité de l’usine.
En d’autres termes, l’usine continue de définir “ce qui” doit être atteint et “jusqu’où” le procédé peut aller. L’IA optimise uniquement “comment” le dosage et la pesée sont réalisés dans ces limites.
Conditions limites et dispositifs de sécurité
Parce que l’IA fonctionne comme une couche d’optimisation des performances, son comportement est strictement limité par les contraintes définies plus haut dans l’architecture de contrôle. Les cibles, tolérances et contraintes de cycle sont fournies par le MES/SCADA, et l’IA optimise strictement à l’intérieur de ces limites.
Si les données des capteurs deviennent peu fiables, par exemple en raison d’une perte de signal ou de lectures incohérentes, le système est conçu pour rester stable en revenant au comportement de base de l’automate, tandis que les opérateurs sont alertés via les mécanismes d’alarme existants. Tous les ajustements pilotés par l’IA sont appliqués dans l’environnement de contrôle standard, garantissant que les valeurs de procédé, points de consigne et événements sont enregistrés comme d’habitude, préservant ainsi une transparence et une traçabilité complète sans introduire de systèmes d’enregistrement séparés ou opaques.
Usine de prémélange en Espagne
Une usine de prémélange en Espagne illustre concrètement comment cette approche fonctionne dans une installation réelle. L’établissement gère une large gamme d’ingrédients, y compris de nombreux micro-composants, dans des contraintes de temps de lot strictes. Un contrôle basé sur l’IA a été mis en place sur cinq machines, apportant des résultats clairs sans aucune modification mécanique ni changement matériel.
Les temps de dosage moyens ont été réduits d’environ 35 %, uniquement grâce à l’optimisation du comportement de dosage pilotée par l’IA. Parallèlement, la précision de la pesée s’est améliorée d’environ 25 %, conduisant à des lots plus homogènes et réduisant le risque de retouches ou d’écarts de formulation.
Avec des temps de dosage plus courts et une précision accrue, l’usine peut désormais doser automatiquement plus d’ingrédients dans la même fenêtre de lot, réduisant le besoin d’ajouts manuels, en particulier pour les petites inclusions, et augmentant le niveau global d’automatisation. Ce cas d’usage démontre comment l’IA peut accroître à la fois la capacité et la qualité sur les équipements existants, sans intervention mécanique majeure.
Impact sur les opérateurs et l’organisation
Le contrôle piloté par l’IA modifie le rôle des opérateurs sans le supprimer. Auparavant, les opérateurs expérimentés ou les ingénieurs de procédé passaient beaucoup de temps à ajuster en continu les paramètres, à réagir aux changements de comportement des ingrédients et à modifier les réglages entre les équipes. Avec l’IA, ce réglage fin est en grande partie automatisé, faisant évoluer le rôle de l’opérateur de régleur à superviseur.
Le contrôle piloté par l’IA modifie le rôle des opérateurs sans le supprimer. Auparavant, les opérateurs expérimentés ou les ingénieurs de procédé passaient beaucoup de temps à ajuster en continu les paramètres, à réagir aux changements de comportement des ingrédients et à modifier les réglages entre les équipes. Avec l’IA, ce réglage fin est en grande partie automatisé, faisant évoluer le rôle de l’opérateur de régleur à superviseur.
Les opérateurs se concentrent plutôt sur la supervision des performances, la surveillance des indicateurs clés et la gestion des exceptions. Comme l’algorithme d’IA n’est pas configurable par l’opérateur, les interfaces utilisateur peuvent être simplifiées pour se concentrer sur la surveillance des temps de dosage, des écarts et des alarmes, la vérification que les objectifs de production issus des systèmes d’exécution de la production et de supervision sont atteints, et le soutien aux activités de dépannage et de maintenance.
Dans un marché du travail où l’expertise sectorielle se fait de plus en plus rare, cette approche permet également une intégration plus rapide, car les nouveaux opérateurs peuvent être formés à surveiller les processus et à réagir aux problèmes plutôt qu’à développer eux-mêmes des stratégies de contrôle détaillées.
Pourquoi l’IA est importante aujourd’hui
L’environnement opérationnel des usines d’aliments, de prémélanges, de nourriture pour animaux de compagnie et d’aliments pour l’aquaculture devient de plus en plus complexe, sous l’effet d’un nombre croissant d’ingrédients et de variantes de produits, d’inclusions plus petites et plus exigeantes avec des tolérances plus strictes, de la pression pour réduire les ajouts manuels et la manutention, et d’attentes accrues en matière de cohérence et de prévisibilité des résultats. Les stratégies de contrôle traditionnelles et les réglages manuels peinent à suivre cette complexité, en particulier lorsque le personnel expérimenté se fait rare.
En intégrant l’intelligence directement dans le contrôle du dosage et de la pesée, l’intelligence artificielle permet aux usines d’augmenter le débit sur les équipements existants, d’améliorer la précision et la stabilité entre les équipes et les conditions de fonctionnement, de réduire la dépendance à l’expertise individuelle des opérateurs et d’élever le niveau global d’automatisation dans les temps de lot existants.
Perspectives
L’introduction d’algorithmes d’IA entièrement autonomes dans le dosage et la pesée est une étape majeure, mais constitue également une base pour les développements futurs. À mesure que la technologie des capteurs, la connectivité et la disponibilité des données s’améliorent, l’IA peut passer de l’optimisation de machines individuelles à l’optimisation à l’échelle de l’usine, en coordonnant les lignes, en équilibrant les tampons et, à terme, en intégrant les considérations énergétiques et de maintenance dans les décisions de contrôle.
Pour l’instant, la valeur la plus immédiate est obtenue là où l’IA a un impact direct sur la performance : le contrôle en temps réel des opérations de dosage qui définissent la capacité, l’efficacité et la qualité de la production d’aliments. En transformant les machines en systèmes véritablement autonomes plut^to qu’en simples systèmes assistés par opérateur, l’IA aide les usines à fonctionner à un niveau élevé de manière constante, même dans des conditions de plus en plus exigeantes.
