English version | Version française
In collaboration with Luxinnovation, FEDIL showcases a series of inspiring articles highlighting promising AI use cases. Published on both organisations’ websites, these weekly features will let you discover an innovative AI project and the visionary company behind it!
Paul Wurth S.A., based in Luxembourg for over 150 years, is a renowned engineering firm and a key player in metallurgy, covering the entire spectrum of steelmaking, from raw material handling to final product refinement. As part of the SMS group, the company is committed to driving innovation through new solutions in decarbonisation, hydrogen industry and digital transformation. Its Digital Products Competence Centre develops and offers state-of-the-art digital solutions, helping customers stay competitive in an increasingly digital world.
The Challenge: Data Fragmentation Across Industrial Assets
In industrial operations, machines of the same type – such as blast furnaces, compressors, or turbines – often produce data that is difficult to compare or integrate. This is due to differences in sensor configurations, operating conditions, and engineering choices across sites. As a result, traditional AI systems struggle to generalize across these heterogeneous data sets, limiting the ability to scale digital twins, transfer operational knowledge, and optimize performance across fleets of machines.
The Solution: Generative AI for Time Series Translation
To address this challenge, Paul Wurth developed a novel AI system that applies generative modeling techniques to industrial time series data. Inspired by the architecture of large language models, the system treats each machine’s sensor output as a unique “dialect” and learns to translate signals between machines. This enables machines to “understand” each other, regardless of differences in configuration or context.
The core innovation lies in the AI’s ability to separate the “content” of a signal – representing the underlying industrial process – from its “style,” which reflects variations due to sensor placement, calibration, or operational mode. By disentangling these two components, the system can recreate or adapt signals across machines without altering their essential meaning.
This approach unlocks several key capabilities: virtual sensor creation, enhancement of simulation models, cross-site knowledge transfer, unified benchmarking, and scenario simulation. It allows for the creation of scalable and dynamic digital twins using only historical operational data, eliminating the need for bespoke models for each asset.
Broader Applications and Economic Impact
Although the initial deployment focuses on industrial use cases, the underlying methodology is broadly applicable to any domain involving time series data. This includes healthcare, finance, energy systems, and logistics – fields where comparing, adapting, or generating signals across different environments is essential. The technology offers a flexible and generalizable solution that can improve predictive accuracy, operational efficiency, and decision-making.
From an economic perspective, the project strengthens Luxembourg’s position as a hub for industrial AI innovation. It is expected to generate high-value employment in digital engineering and smart manufacturing, attract international investment, and enhance the competitiveness of local industries. The technology also fosters collaboration with academic institutions and startups, encouraging the development of complementary services and enriching the national AI talent pipeline. By reducing reliance on physical sensors and enabling smarter operations, it supports Luxembourg’s digital and environmental transition goals.
From Concept to Reality: Demonstrating AI’s Industrial Power
The AI system has already demonstrated its effectiveness in a real-world industrial setting. A virtual pyrometer (temperature sensor for hot metal) was developed for a blast furnace in Brazil using data from a German plant. The model achieved temperature predictions within 20°C – an accuracy level considered relevant and actionable in industrial contexts. This successful proof of concept confirms the system’s ability to generalize across machines and geographies, paving the way for broader deployment.
Designed to be modular and scalable, the technology can be integrated into existing industrial platforms and digital twin frameworks. Pilot deployments are currently being defined within the SMS group, with plans to extend its use to other sectors such as energy, logistics, and healthcare.
By enabling cross-machine signal translation, Paul Wurth has introduced a transformative AI solution that addresses one of the most persistent challenges in industrial data science. This innovation not only enhances operational intelligence but also lays the foundation for scalable digital twins and smarter, more sustainable manufacturing systems. With proven technical feasibility and broad applicability, the solution is set to redefine how industries leverage AI to unlock efficiency and resilience..
FR
Comment Paul Wurth utilise l’IA générative pour faire parler le même langage aux machines industrielles
Paul Wurth S.A., basée au Luxembourg depuis plus de 150 ans, est une société d’ingénierie renommée et un acteur clé dans le domaine de la métallurgie, couvrant tout le spectre de la sidérurgie, de la manutention des matières premières au raffinage du produit final. Faisant partie du groupe SMS, l’entreprise s’engage à pousser l’innovation grâce à de nouvelles solutions dans les domaines de la décarbonisation, de l’industrie de l’hydrogène et de la transformation digitale. Son Digital Products Competence Centre développe et propose des solutions numériques de pointe, aidant ses clients à rester compétitifs dans un monde de plus en plus digital.
Le défi : la fragmentation des données entre les actifs industriels
Dans les opérations industrielles, les machines de même type, telles que les hauts fourneaux, les compresseurs ou les turbines, produisent souvent des données difficiles à comparer ou à intégrer. Cela est dû aux différences de configuration des capteurs, de conditions de fonctionnement et de choix techniques entre les sites. Par conséquent, les systèmes d’IA traditionnels ont du mal à généraliser ces ensembles de données hétérogènes, ce qui limite la capacité à mettre à l’échelle les jumeaux numériques, à transférer les connaissances opérationnelles et à optimiser les performances pour un ensemble de machines.
La solution : l’IA générative pour la traduction de séries chronologiques
Pour relever ce défi, Paul Wurth a développé un nouveau système d’IA qui applique des techniques de modélisation générative aux données de séries chronologiques industrielles. Inspiré par l’architecture des grands modèles linguistiques, le système traite les données des capteurs de chaque machine comme un « dialecte » unique et apprend à traduire les signaux entre les machines. Cela permet aux machines de se « comprendre » mutuellement, indépendamment des différences de configuration ou de contexte.
L’innovation principale réside dans la capacité de l’IA à séparer le « contenu » d’un signal, qui représente le processus industriel sous-jacent, de son « style », qui reflète les variations dues à l’emplacement du capteur, à son étalonnage ou à son mode de fonctionnement. En dissociant ces deux composantes, le système peut recréer ou adapter les signaux entre les machines sans en altérer le sens essentiel.
Cette approche ouvre la voie à plusieurs fonctionnalités clés : création de capteurs virtuels, amélioration des modèles de simulation, transfert de connaissances entre sites, benchmarking unifié et simulation de scénarios. Elle permet de créer des jumeaux numériques évolutifs et dynamiques à partir des seules données opérationnelles historiques, éliminant ainsi le besoin de modèles sur mesure pour chaque unité.
Applications plus larges et impact économique
Bien que le déploiement initial se concentre sur des cas d’utilisation industriels, la méthodologie sous-jacente est largement applicable à tout domaine impliquant des données chronologiques. Cela inclut les soins de santé, la finance, les systèmes énergétiques et la logistique, des domaines dans lesquels la comparaison, l’adaptation ou la génération de signaux entre différents environnements est essentielle. Cette technologie offre une solution flexible et généralisable qui peut améliorer la précision des prévisions, l’efficacité opérationnelle et la prise de décision.
D’un point de vue économique, le projet renforce la position du Luxembourg en tant que pôle d’innovation industrielle en matière d’IA. Il devrait générer des emplois à forte valeur ajoutée dans l’ingénierie numérique et la fabrication intelligente, attirer des investissements internationaux et renforcer la compétitivité des industries locales. Cette technologie favorise également la collaboration avec les institutions universitaires et les start-ups, encourageant le développement de services complémentaires et enrichissant le vivier national de talents en matière d’IA. En réduisant la dépendance aux capteurs physiques et en permettant des opérations plus intelligentes, elle soutient les objectifs de transition numérique et environnementale du Luxembourg.
Du concept à la réalité : démontrer la puissance industrielle de l’IA
Le système d’IA a déjà démontré son efficacité dans un environnement industriel réel. Un pyromètre virtuel (capteur de température pour la fonte liquide) a été développé pour un haut fourneau au Brésil à partir des données d’une usine allemande. Le modèle a permis d’obtenir des prévisions de température avec une précision de 20 °C, un niveau considéré comme pertinent et exploitable dans un contexte industriel. Cette preuve de concept réussie confirme la capacité du système à s’adapter à différentes machines et zones géographiques, ouvrant la voie à un déploiement plus large.
Conçue pour être modulaire et évolutive, cette technologie peut être intégrée aux plateformes industrielles existantes et aux cadres de jumeaux numériques. Des déploiements pilotes sont actuellement en cours de définition au sein du groupe SMS, avec des plans visant à étendre son utilisation à d’autres secteurs tels que l’énergie, la logistique et la santé.
En permettant la traduction des signaux entre machines, Paul Wurth a introduit une solution d’IA transformatrice qui répond à l’un des défis les plus persistants de la science des données industrielles. Cette innovation améliore non seulement l’intelligence opérationnelle, mais jette également les bases de jumeaux numériques évolutifs et de systèmes de fabrication plus intelligents et plus durables. Avec une faisabilité technique éprouvée et une large applicabilité, cette solution est appelée à redéfinir la manière dont les industries exploitent l’IA pour gagner en efficacité et en résilience.